Академический Документы
Профессиональный Документы
Культура Документы
TESIS DOCTORAL
Análisis de quiebra empresarial: modelo de ecuaciones de estimación
generalizadas sobre datos panel
PRESENTADA POR
Directores
María Jesús Segovia Vargas
María del Mar Camacho Miñano
Madrid, 2016
TESIS DOCTORAL
DIRECTORES
PRESENTADA POR:
MADRID, 2015
AGRADECIMIENTOS
A México y España
2
ÍNDICE
RESUMEN.......................................................................................................................................... 5
ABSTRACT ......................................................................................................................................... 7
CAPITULO 1. INTRODUCCIÓN ............................................................................................................ 9
1.1 Objetivos e Importancia de la Investigación ........................................................................... 16
1.2 Descripción General de la Metodología .................................................................................. 19
1.3 Limitaciones y Alcances de la Investigación ............................................................................ 21
CAPITULO 2. REVISIÓN DE LA LITERATURA SOBRE QUIEBRA EMPRESARIAL ................................... 23
2.1 Modelos con Variables Microeconómicas .............................................................................. 23
2.1.1 Etapa Descriptiva............................................................................................................. 33
2.1.2 Etapa Predictiva .............................................................................................................. 35
2.1.2.1 Modelos Univariados ................................................................................................ 35
2.1.2.2 Modelos Multivariados ............................................................................................. 37
2.1.3 Modelos con Inteligencia Artificial ................................................................................... 42
2.2 Modelos de Predicción con Variables Macroeconómicas........................................................ 48
CAPITULO 3. HIPÓTESIS Y METODOLOGÍA ...................................................................................... 54
3.1 Hipótesis a Contrastar ............................................................................................................ 54
3.2 Metodología de Ecuaciones de Estimación Generalizadas ...................................................... 55
3.2.1 Datos Longitudinales o Datos Panel..................................................................................... 56
3.2.2 Análisis de Componentes Principales ............................................................................... 65
3.2.3 Marco Teórico Ecuaciones de Estimación Generalizadas .................................................. 66
3.3 Metodología de Árboles de Decisión ...................................................................................... 73
CAPITULO 4. ESTUDIO EMPÍRICO .................................................................................................... 79
4.1 Tratamiento de la Información ............................................................................................... 79
4.1.1 Determinación de la Muestra .......................................................................................... 82
4.1.2 Determinación de la Variable Dependiente ..................................................................... 83
4.1.3 Determinación de las Variables Independientes .............................................................. 87
4.1.4 Definición y Análisis Descriptivo de las Variables Independientes .................................... 93
4.1.4.1 Variables Microeconómicas (Ratios Financieros)....................................................... 93
4.1.4.2 Variables Macroeconómicas ................................................................................... 103
4.2 Aplicación Empírica de las Ecuaciones de Estimación Generalizadas..................................... 119
4.2.1 Análisis Preliminar (ACP)................................................................................................ 119
4.2.2 Iteraciones del Modelo (EEG) ........................................................................................ 132
3
4.2.3 Interpretación de Resultados del Modelo (EEG) ............................................................. 135
4.3 Aplicación Empírica de los Árboles de Decisión .................................................................... 141
4.3.1 Corte Transversal Año 2010 ........................................................................................... 142
4.3.1.1 Validación de Resultados ........................................................................................ 142
4.3.1.2 Análisis de las Principales Ramas ............................................................................ 144
4.3.1.3 Resumen de las Principales Reglas de Decisión ....................................................... 146
4.3.2 Corte Transversal Año 2014 ........................................................................................... 146
4.3.2.1 Validación de Resultados ........................................................................................ 146
4.3.2.2 Análisis de las Principales Ramas ............................................................................ 148
4.3.2.3 Resumen de las Principales Reglas de Decisión ....................................................... 151
4.4 Resultados y Discusión ......................................................................................................... 152
CAPITULO 5.CONCLUSIONES Y FUTURAS LÍNEAS DE INVESTIGACIÓN ........................................... 156
BIBLIOGRAFÍA ............................................................................................................................... 160
ÍNDICE DE FIGURAS ....................................................................................................................... 172
ÍNDICE DE TABLAS ......................................................................................................................... 173
ÍNDICE DE GRAFICOS ..................................................................................................................... 174
4
RESUMEN
En la creciente turbulencia del entorno económico y social que impera a nivel mundial,
es precisamente la predicción oportuna de la quiebra empresarial uno de los problemas a
los que se ha venido enfrentando la economía debido principalmente a las consecuencias
que provoca a todos los agentes relacionados con la empresa.
La presente tesis doctoral tiene como objetivo general identificar aquella variables
tanto micro como macroeconómicas que resulten más significativas al momento de analizar
las probabilidades de fracaso empresarial anticipadamente.
Al ser empresas de diferentes países se analiza el papel que tiene tanto la información
contable como la información macroeconómica en la predicción de crisis empresarial.
5
Además es importante mencionar que se ha considerado un horizonte temporal de 5
años para cada una de las empresas consiguiendo así una estructura de datos panel o datos
longitudinales.
Los resultados obtenidos muestran que las variables más significativas en cuanto a
predicción de quiebra o fracaso empresarial son las provenientes de la información contable
(Ratios Financieros) en concreto: el Ratio Coeficiente de Liquidez Circulante, el Ratio de
Solvencia Global y finalmente el Ratio de Rentabilidad Económica (ROA). Estos resultados
fueron similares bajo ambos enfoques (EEG e IA), lo cual muestra que no existe diferencia
significativa en la aplicación de estas dos técnicas.
6
ABSTRACT
In the growing turbulence of the economic and social environment prevailing all
around the world, it is precisely the timely prediction of corporate bankruptcy the economy
mainly due to the consequences caused to all the agents involved with the company.
In times of financial crisis, corporate mortality rates increase. Several studies have
been conducted regarding predicting factors to prevent financial distress situations. Today
despite the efforts made, there is still no single theory on corporate solvency; however the
financial data from the financial statements published by the company are still valid to
predict such risk.
This thesis has the general objective to identify both, micro and macroeconomic
variables which are more significant when analyzing the likelihood of business failure in
advance.
To achieve the stated objective has been used 19 explanatory variables calculated for
all companies listed on the Mexico IPC index, Spanish IBEX-35 index and Euro zone EURO
STOXX50 Index.
As there are companies from different countries the role of the accounting
information and macroeconomic data in predicting business crisis is analyzed. It is also
important to mention that it has been considered a time horizon of five years for each of
the companies, obtaining a data panel or longitudinal data structure.
The methodology used to achieve our goal is based on the empirical testing of two
different techniques. On the one hand, parametric technique belonging to multivariate
statistical analysis known as generalized estimating equations (GGE) and secondly the
nonparametric technique belonging to artificial intelligence (AI) known as Decision Trees.
7
The results show that the most significant variables in terms of bankruptcy prediction
are those from the financial information (Financial Ratios): the Liquidity Circulating Ratio,
the overall Solvency Ratio and finally the Return on Assets Ratio (ROA). Those results were
similar under both approaches (GGE and IA), which shows no significant difference in the
application of these techniques.
Regarding macroeconomic variables, the results show that they do not have the same
presence than microeconomic or financial variables. In this sense the various
macroeconomic conditions presented from each of the countries could lead with
information comparability problems and dilute the effect these might have. The latter
shows than in a context of stock exchange companies, macroeconomic variables would not
condition the corporate bankruptcy.
8
CAPITULO 1. INTRODUCCIÓN
Desde hace varias décadas hay muchas líneas de investigación abiertas que siguen sin
tener una respuesta clara por parte de los investigadores. Una de esas líneas es la
predicción de la quiebra empresarial. Después de más de setenta años tratando de estudiar
por qué las empresas fracasan y más de cincuenta años realizando modelos de
comportamiento de empresas con problemas financieros comparadas con aquellas que no
los tienen, todavía no existe una teoría única y clara sobre la quiebra empresarial (Balcaen,
& Ooghe, 2006). De hecho, cada vez que hay alguna crisis empresarial parece que se
incrementan los estudios sobre el tema. En el año 1966, cuando se publicó el primer estudio
empírico de Beaver, se publicaron 9 artículos en la Web of Knowledge (ISI), primera base de
artículos de prestigio a nivel mundial. El número de artículos sobre quiebra han alcanzado
casi los 420 en el año 2013.
Así sucedió con empresas como “Comercial Mexicana”, que en 2008 empezó a sufrir el
acoso de los bancos con quienes contrato instrumentos financieros derivados para
supuestamente mejorar sus finanzas (Contreras, Segovia & Camacho, 2014). En la siguiente
tabla se muestran algunas de las empresas mexicanas que reportaron pérdidas relacionadas
con el manejo de Productos Financieros Derivados, en millones de dólares:
1
Instituto Federal de Especialistas de Concursos Mercantiles: Creado por disposición de la Ley de
Concursos Mercantiles, publicada en el Diario Oficial de la Federación el 12 de mayo del año 2000. Es
un Órgano Auxiliar del Consejo de la Judicatura Federal con autonomía técnica y operativa, cuya
principal finalidad es la de autorizar el registro de las personas que acrediten cubrir los requisitos
necesarios para realizar las funciones de Visitador, Conciliador o Síndico, quienes apoyarán a la
justicia en Materia Concursal en los aspectos técnicos involucrados en los procedimientos de
concurso mercantil.
9
Tabla 1. Empresas en Crisis Financiera por Pago de Productos Financieros Derivados
2
Euler Hermes es una compañía de seguros de crédito que ofrece una amplia gama de fianzas,
garantías y servicios de cobranza para la gestión de los créditos por ventas de negocio a negocio.
10
En el mismo periodo dicho indicador para México fue de 23%. Este hecho es relevante
porque se presupone que el estigma social del concurso de acreedores penaliza a las
empresas que entran en el proceso legal y, las que entran, es porque realmente se
encuentran en una situación de “coma inducido”, lo que implica que 9 de cada 10 de estas
empresas terminen en liquidación y no reorganizándose financieramente para volver al
mercado (Segovia-Vargas, M. J., & Camacho-Miñano, M. D. M., 2013).
11
Gráfico 3. Tasa de Variación Interanual del PIB en España, México y Zona Euro
El gráfico de la variación interanual del PIB (gráfico 3) muestra una caída brusca de
este indicador macroeconómico en el año 2009, tanto en España como en el resto de la
Zona Euro, año de fuerte impacto de la crisis económica. Este hecho se debe, en gran
medida, al cierre de muchas empresas por la recesión económica sufrida en ese período. En
el año 2009 también se observa la tendencia de la tasa de desempleo (gráfico 4) que
despunta, aumentando hasta llegar al 26% en España. En esa misma fecha, la tasa de paro
era de un 12% en el total de la Zona Euro.
12
Con respecto a la deuda pública, en el gráfico 5 se observa un crecimiento del peso de
la deuda llegando a ser, al final de 2013, el 92.1% del PIB en España y casi el 90.9% en la
Zona Euro, mientras que en México ha mantenido un crecimiento de más de 3 puntos
porcentuales desde el año 2012 pasando de 43.17% y hasta alcanzar niveles de 50.08% a
finales de 2014.
Gráfico 5. Tasa de Variación Interanual de la Deuda Pública en España, México y Zona Euro
Del mismo modo, características específicas de los distintos países, como es el caso de
la legislación concreta de cada uno, también condicionan las crisis económicas. En relación
con la legislación, se produce por ejemplo, un impacto en la solución de las situaciones de
fracaso empresarial de las empresas, porque la resolución de los concursos de acreedores es
diferente dependiendo del país del que se trate, ya que existen diferentes leyes concursales
en función de cada uno. Esto se ha demostrado al comparar distintos países pertenecientes
a la Unión Europea (Weijs, 2012). Por lo tanto, el tipo de regulación concursal que se
establezca en un país no es una decisión baladí. Hay estudios económicos que justifican
cómo las leyes sobre la insolvencia de empresas pueden condicionar el desarrollo del
emprendimiento en un país (Lee et al., 2011), el crecimiento económico nacional (Laporta et
al., 1998), la estabilidad económica (Beraho & Elisu, 2010) e incluso el desarrollo de los
mercados de valores (Levine, 1998).
13
De hecho, se demuestra empíricamente cómo una ley concursal u otra puede cambiar
las inversiones extranjeras en un país (Pindado et al., 2008). De ahí que sea de vital
importancia un correcto desarrollo de la normativa sobre insolvencias para promover el
crecimiento económico y la seguridad jurídica de los inversores.
Por todo lo expuesto anteriormente, como parte de los objetivos de este trabajo es
analizar si las variables macroeconómicas pueden mejorar o no el poder predictivo de los
modelos tradicionales de predicción de quiebras. Ya que son las empresas cotizadas las que
se supone que más reflejan el día a día de cada país, sector y compañía, vamos a utilizar una
muestra de empresas cotizadas en los índices mundiales más relevantes para testar
nuestras hipótesis de partida. Se supone que nuevas variables macroeconómicas podría
mejorar los modelos basados sólo en variables contables.
3) El tercer capítulo se basa en el desarrollo del marco teórico de las metodologías que
subyacen en este trabajo de investigación. Por una parte las Ecuaciones de
Estimación Generalizadas (EEG), metodología que amplía los Modelos Lineales
Generalizados (MLG) para estimar los parámetros de regresión más eficientes e
imparciales relativos a mínimos cuadrados ordinarios, porque permiten la
14
especificación de una matriz de correlaciones que toma en cuenta la posible
correlación de las medidas repetidas de cada individuo. Por otra parte, también se
utilizan los árboles de decisión, técnica perteneciente al campo de la Inteligencia
Artificial (IA). Estas herramientas son de gran utilidad, un complemento y en algunos
casos una alternativa a los métodos estadísticos ya que mejoran en algunos
aspectos, parte de sus limitaciones.
15
1.1 Objetivos e Importancia de la Investigación
Korol (2013) afirma que los problemas empresariales no son repentinos sino que se
vislumbran entre cinco y seis años antes de su entrada en concurso, por lo que tienen que
poder predecirse o, al menos, explicarse. La problemática económica que puede tener una
empresa en dicha situación es muy grave y es por ello que contar con modelos de predicción
que permitan identificar posibles dificultades resulta de gran importancia para empresarios,
directivos, accionistas, inversionistas así como para el ámbito académico. Si bien es cierto lo
anterior, lo que resulta aún de mayor interés, es poder tomar las acciones necesarias
evitando consecuencias que impliquen mayores pérdidas.
16
El primero de los dos enfoques mencionados (EEG) requiere previamente de un
análisis riguroso de los datos. Según Hair (2000), la influencia de datos atípicos, violaciones
de los supuestos y la pérdida de datos puede agravarse a través de la pérdida de varias
variables y tener efectos sustancialmente diferentes. Con la recogida y estructuración de los
datos, el primer análisis del modelo predictivo no tiene que consistir en estimar
principalmente dicho modelo, sino en evaluar los supuestos subyacentes que resultan ser
tan importantes como el resultado final.
Por otro lado, también es necesario obtener información contable cuya utilidad sea
estable a través del tiempo, pues el análisis requiere de la observación de datos
correspondientes a varios ejercicios económicos para constatar que pueden ser
comparados. La gran cantidad de ratios que actualmente se presentan en la literatura
contable y financiera, ha originado que los analistas se refieran a un mismo ratio con
diferentes nombres, o bien, se refieran con un mismo nombre a un conjunto de ratios que
son distintos entre sí y en sus componentes.
17
Los algoritmos de inducción de reglas y árboles de decisión suponen un enfoque
diferente ya que su aplicación implica realizar particiones sucesivas en el espacio de
variables explicativas, empleando en cada partición una sola variable. Algunas de estas
técnicas tienes carácter explicativo, como lo son la inducción de reglas y los árboles de
decisión.
18
1.2 Descripción General de la Metodología
1) Trabajos empíricos sobre los datos que analizan el comportamiento de los precios
del mercado basado en la publicación de la información de estados contables. En
estas investigaciones, se parte de la teoría de la eficiencia del mercado de capitales
que establece la hipótesis de que “la información proveniente de estados contables
tiene contenido informativo si provoca reacción a los precios”. A partir de la
contrastación empírica de ésta hipótesis, los resultados positivos de la investigación
científica tienden a reforzar la eficiencia del mercado de capitales.
Los estudios que se han realizado considerando ratios financieros para medir la
solvencia y evitar el fracaso o quiebra empresarial, se han enfocado en la comparación entre
empresas que no han quebrado y empresas en quiebra (sana y no sana). Para algunos
investigadores, este tipo de estudios han permitido ofrecer pruebas de que las empresas
que no quebraron presentaban ratios más “firmes” o “estables” con relación a las que si
19
quebraron, aunque si bien es cierto, no se ha demostrado de manera concluyente la
capacidad de los ratios por sí solos para la predicción.
Las limitaciones de los ratios han ocasionado que no pocas investigaciones utilicen
técnicas más globales y potentes como las desarrolladas en los Modelos Univariados y
Multivariados. Los modelos predictivos, que integran un conjunto de métodos estadísticos
avanzados, se enfocan hacia el contenido de la información contable expresada en forma de
ratios.
20
1.3 Limitaciones y Alcances de la Investigación
21
Los elementos que limitan y dificultan el análisis financiero son los de tipo contable,
tales como la comparación de los estados financieros, la reconstrucción de los conceptos
contables, la reclasificación de las partidas en función de criterios temporales a corto y largo
plazo, la imprecisión y reformulación de conceptos, entre otros. La mayor limitación del
análisis financiero es que en la actualidad representa únicamente un componente del
análisis general de una empresa, debiendo ser complementado con el análisis técnico, el
análisis fundamental, el análisis bursátil, entre otros.
22
CAPITULO 2. REVISIÓN DE LA LITERATURA SOBRE QUIEBRA EMPRESARIAL
A lo largo de los años muchos han sido los investigadores que han centrados sus
esfuerzos en intentar determinar el nivel de solvencia con el objetivo de poder predecir o,
en su caso, evitar la quiebra de una empresa a través de la utilización de ratios, métodos
estadísticos y análisis financiero sobre factores que impactan directamente en el resultado
de las empresas tales como la liquidez, el apalancamiento, la rentabilidad, entre otros.
En el año 1932 Fitzpatrick realizó los primero trabajos dando origen a lo que se conoce
como etapa descriptiva. Su objetivo primordial consistió en intentar detectar las quiebras
empresariales a través de la utilización de ratios únicamente. En la misma línea se sitúa el
trabajo de Winakor y Smith (1935), aplicando técnicas de análisis univariante básico,
analizando las tendencias de varios ratios financieros. Sin embargo, no será hasta la década
de los sesenta cuando se empiecen a utilizar técnicas estadísticas más complejas, como el
análisis discriminante, univariante y múltiple. A partir de estos estudios, Beaver (1966),
Altman (1968) y otros muchos, han intentado elaborar una teoría general del fracaso
empresarial, aunque todavía sin éxito. En ellos la metodología se basa en un diseño
apareado de empresas.
Inicialmente, los estudios que intentaban predecir y, por tanto explicar el fracaso
empresarial, se basaban en ratios provenientes de información contable. Consistían en
analizar los casos de fracasos empresariales reales y, utilizando un método inductivo,
aprender las características comunes de las empresas fracasadas comparándolas con
empresas “sanas”. Sin embargo, aún hoy en día, y con más de medio siglo de investigaciones
posteriores, todavía no existe unanimidad entre los investigadores sobre cuáles son los
ratios contables que mejor explican la situación de insolvencia. En la literatura contable,
muchos investigadores han utilizado los principales ratios del análisis financiero o de los
documentos de los estados financieros (balance de situación, cuenta de pérdidas y
ganancias o estado de flujos de efectivo) para explicar la quiebra. Con carácter general, tres
son los tipos de ratios más utilizados por los académicos sobre el tema: ratios de
23
rentabilidad, ratios de endeudamiento y ratios de equilibrio económico-financiero (entre
otros, véase: Tascón Fernández y Castaño Gutiérrez (2012); Korol (2013)). Parece lógica la
relación entre rentabilidad y liquidez, la idea es que empresas con problemas financieros
son menos capaces de acceder a financiación, a recursos financieros externos, por ejemplo,
los bancarios, lo que supone desequilibrios de caja relevantes.
Si se decide utilizar metodologías no tradicionales (De Andrés et al., 2012; Ravi Kumar
& Ravi, 2007) como métodos de inteligencia artificial (rough set, arboles de decisión como
los algoritmos PART, C4.5, “random forest”, redes neuronales…), se pueden considerar
todas las variables disponibles siempre que clasifiquen bien el problema a estudiar, es decir,
que su nivel de significación sea aceptable. Sin embargo, aunque se han reducido los errores
en la clasificación de las empresas fracasadas, no se han conseguido clasificar
completamente.
24
Según un estudio de Aziz y Dar (2006) hasta esa fecha, los estudios de predicción del
riesgo de insolvencia habían utilizado en un 64% de los casos, modelos estadísticos, en un
25% habían hecho uso de técnicas de “soft computing” o inteligencia artificial, y un 11%
habían estudiado el fenómeno a través de otro tipo de modelos.
Además, las políticas contables de las empresas, e incluso los sectores a los que
pertenecen, pueden tener cierta influencia sobre las variables contables (Balcaen & Ooghe,
2006). Así mismo, el hecho de la pertenencia o no a un grupo de empresas y el tipo de grupo
podría modificar dichas variables (Korol, 2013).
A pesar de todos estos problemas propios de la contabilidad, los modelos con ratios
financieros (datos contables) son reconocidos y utilizados a nivel mundial. Recientemente se
han entregado opiniones valiosas por Agarwal y Taffler (2008); Das, Hanouna y Sarin (2009)
y Bauer y Argawal (2014), teniendo en cuenta la rentabilidad de los modelos basados en
datos contables, los modelos basados en mercados y los modelos de riesgo. Estos tres tipos
de modelos prevalecen en la literatura de finanzas. Para Argawal y Taffler (2008) hay poca
diferencia predictiva de los modelos basados en datos contables y los basados en el
mercado, sin embargo el uso de los modelos basado en la contabilidad permite un mayor
25
nivel de rentabilidad ajustada al riesgo, el utilizar ratios financieros, tiene la ventaja de no
verse abrumado por el gran volumen de datos que contienen los estados financieros.
Otra causa importante para su aplicación es que para la gran mayoría existe un criterio
pragmático generalizado en cuanto a su utilización, medición e interpretación para la toma
de decisiones. Aun cuando se han realizado diversos tipos de investigaciones relacionadas
con la predicción del fracaso empresarial, el modelo “Z-Score” original introducido por
Altman (1968), ha sido el modelo dominante y de aplicación a nivel mundial. Aunque ha
estado en existencia por más de 45 años, todavía se sigue utilizando como herramienta de
predicción en quiebras o dificultades financieras.
A pesar de todo lo expuesto anteriormente, se plantean dos opciones por parte de los
investigadores o el uso de variables bursátiles o el uso de otras variables que no sean
financieras. Marais et al. (1984) fue el primero en señalar que la cotización de las acciones
mejoraba la predicción del fracaso, en comparación con la utilización de variables contables
únicamente. Barniv et al. (1997) comprobó que había resultados anormales acumulados,
ponderados por precios de mercado, antes de la entrada a concurso de las empresas.
Hillegeist et al. (2004) y Christidis y Gregory (2010) señalaron que el hecho de añadir las
variables de mercado a los modelos mejoraba la oportunidad de información.
26
Con relación a las variables no financieras se añadieron a los modelos variables tales
como la edad de la empresa desde su fundación, el tamaño (como algoritmo del total de
activos, número medio de empleados y cifra de ventas) y el sector (Tascón y Castaño, 2012).
Entre los primeros estudios que intentaron crear una teoría del fracaso y el éxito
empresarial, destaca la teoría desarrollada por Lussier (1995), basada en quince variables
internas de la empresa, como fueron el nivel de capitalización inicial del negocio, la
experiencia de la empresa en el sector o la formación de los gestores. Sin embargo, el
principal problema de este estudio era la dificultad para conseguir este tipo de datos de
empresas fracasadas, procedentes de entrevistas a directivos.
Modelo a modelo se han ido añadiendo otras muchas variables. Cheng et al. (2007)
realizaron un estudio en el que demostraron que las variables no financieras eran más
significativas y aumentaban el grado de predicción de modelos con rough set (técnica de
inteligencia artificial). En la misma línea, se encuentran los trabajos de Back (2005) y su
comportamiento de pago de las empresas, Laitinen y Laitinen (2009) con información sobre
los informes de auditoría, y De Andrés et al. (2012), que hacen uso de normas de los
diferentes sectores económicos.
Por último, cabe señalar que la última tendencia en investigaciones sobre la quiebra
empresaria es la comparativa entre países, línea que sigue esta tesis doctoral. Son pocas las
investigaciones que han realizado estos estudios comparativos debido principalmente a la
falta de acceso a los datos de diferentes países. El desarrollo de las bases de datos
comerciales han propiciado estos estudios.
Uno de los primeros estudios fue realizado por Altman y Narayanan (1997). Realizaron
una revisión de los modelos de predicción del fracaso empresarial en 22 países. Otro estudio
de Ravid y Sundgren (1998) compararon la eficiencia de los códigos legales de Finlandia y de
27
Estados Unidos, bajo los que se rige el fracaso empresarial. Analizando 70 empresas de cada
país encontraron que, aunque los factores económicos que afectan a los procesos
concursales coinciden en ambos países, la legislación finlandesa favorece que se llegue a un
proceso de liquidación en mayor medida que la americana, en lugar de conseguir la
reorganización de la empresa en cuestión. Laitinen (2002) también analizó empresas de 17
países europeos y de Estados Unidos, concluyendo que existen diferencias entre países con
respecto al grado de fiabilidad de los modelos. A partir del análisis de su muestra, los países
que mayor grado de fiabilidad en su clasificación obtuvieron fueron Alemania, Bélgica, Italia,
Finlandia y Grecia, y, resultaron ser los peor clasificados, Suiza, Irlanda y Portugal.
Un estudio realizado por Korol (2013) compara datos de empresas polacas cotizadas,
sanas y en concurso, con empresas latinoamericanas (de México, Argentina, Perú, Brasil y
Chile) utilizando metodologías tradicionales y de inteligencia artificial. Concluye que son
más difíciles de explicar las empresas latinoamericanas en concurso que las europeas, ya
que el contexto normativo y macroeconómico de las latinas condiciona el concurso. Otro
estudio de Laitinen y Suvas (2013) compara 30 países europeos, señalando que, a pesar de
las diferencias entre países, es posible predecir el fracaso empresarial con algunos errores
de clasificación aceptables.
28
90%, la precisión de la clasificación se puede mejorar de manera considerable con
estimaciones específicas del país, especialmente con el uso de variables adicionales.
29
Año Autor Etapa Técnica Utilizada
1980 Casey Cornelius predictiva basados en Cash
Casey Cornelius y Bartczack Flow
1984, 1985
Norman
Kurokawa Yukiharu y Takahashi
1985
Kishinosuke
1988 Ghalon James y Vigelan Robert
1989 Azis Abdul y Lawson Gerald
1973, 1975 Pinches George y Mingo Kent
1981 Chen Kung y Shimerda Thomas Estudio de modelos
Desarrollo de
Casey Cornelius y Bartczack multivariados
1985 etapa
Norman basados en el
predictiva
Gambola Michael, Haskins Mark, análisis factorial
1987
Kents Edward
1980 Olshon Estudio de modelos
multivariados
1984 Zmijewski basados en datos
longitudinales
Estudio basados en
Etapa
Métodos de
1993 Marco Giancarlo y Franco Varetto Predictiva
Inteligencia Artificial
(Redes Neuronales)
Estudio basados en
Métodos de
1997 Barniv, R. , Agarwal, A y Leach, R
Inteligencia Artificial
(Redes Neuronales)
30
Año Autor Etapa Técnica Utilizada
(Redes Neuronales)
Estudio de modelos
multivariados (
2001 Mar-Molinero, C., y Serrano-Cinca
Escalamiento
Multidimensional)
Estudio de modelos
multivariados (Data
2004 Cielen, A., Peeters, L. y Vanhoof,
K. envelopment
analysis)
Estudio de modelos
2005 Beaver, W. H., McNichols, M. F., y multivariados
Rhie, J. W.
(Modelos Hazard)
Estudio de modelos
2008 Miranda, M. E. G., de la Torre multivariados
Martínez, J. M., y Martínez, I. R.
(Modelo logístico)
Estudio de modelos
2008 Agarwal, V., y Taffler, R.
multivariados
Estudio de modelos
multivariados
2009 Beaver, W. H., McNichols, M. F., y
Rhie, J. W. basados en datos
longitudinales
31
Año Autor Etapa Técnica Utilizada
Estudio basados en
Métodos de
Acosta-González, E., & Fernández-
2014
Rodríguez Inteligencia Artificial
(Algoritmo Genético)
Fuente: Elaboración Propia del Autor
Es importante destacar que, en cada una de las etapas sobre el desarrollo de las
investigaciones predictivas, se ha puesto mayor atención a determinados elementos que
están implícitos en todas las investigaciones (tales como la unidad temporal, la selección de
la muestra, la determinación de la variable dependiente, etc.) y que consideramos son de
mucha importancia para observar correctamente el desarrollo o limitaciones que presentan
los estudios sobre el análisis de la solvencia.
32
2.1.1 Etapa Descriptiva
Con respecto a las limitaciones que presenta el método de ratios, en una primera
aproximación e interpretación de información financiera interna de las empresas puede
realizarse por medio de la selección y síntesis adecuada de los datos. Si consideramos sus
limitaciones, el uso de ratios de forma simple, rápida y significativa, proporciona
infromación primaria y reveladora sobre la evolución de la empresa, y hasta cierto punto,
sin la necesidad de recurrir a modelos matemáticos o estadísticos que, de no ser bien
utilizados, se convierten en instrumentos meramente teóricos. Sin embargo, dicho método
tiene insufiencias y debilidades por la relativamente fácil manipulación de sus componentes.
3
La etimología de la palabra ratio significa relación, razón, división, proporción.
33
a) Restando, lo cual nos dicen en cuanto excede una cantidad a la otra.
b) Dividiendo, lo cual nos dice cuantas veces contiene una cantidad a la otra.
Como se muestró en la tabla 2, los estudios empíricos con ratios financieros se inició
en el año 1932 por Paul Fitzpatrick quién seleccionó una muestra de 19 empresas en
quiebra y un grupo de control de 19 empresas sin quiebra en el periodo 1920 – 1929, con el
fin de analizar las tendencias de 13 ratios a través del tiempo (3 – 5 años). Concluyó que
todos los ratios predecían, en mayor o menor medida la quiebra, debido a la existencia de
tendencias favorables y estables de los ratios pertenecientes a la empresas sanas,
comprandola con la desfavorable evolución de los ratios pertenecientes a las empresas en
quiebra.
Los modelos desarrollados durante esta etapa presentan el común denominador que
aunque en la actualidad existe poca vigencia de sus resultados, la trascendencia de su
aportación al desarrollo de la teoría de la solvencia ha sido muy importante, ya que
representaron el primer intento para sistematizar un conjunto de procedimientos
tendientes a describir el fracaso empresarial.
34
2.1.2 Etapa Predictiva
Modelo de Beaver
William H. Beaver (1966) fue el pionero en esta etapa demostrando que los ratios
financieros pueden ser de utilidad en la predicción individual de un fallo de la empresa, de
las dificultades financieras y de la quiebra. Encontró que podría discriminar un número de
indicadores con el simple mapeo entre muestras de empresas fracasadas y no fracasadas
hasta cinco años antes del fracaso. Beaver utilizó dicha técnica, para explicar una variable
35
dependiente a través de la clasificación dicotómica que entendió como capacidad de
predicción.
Cabe mencionar que el principal objetivo del trabajo de Beaver no fue encontrar el
mejor predictor de quiebra, sino investigar la capacidad predictiva de los ratios financieros.
Por eso en sus conclusiones él mismo indica que el sentido real del título de su artículo
clásico de 1966 no debería haber sido “los ratios financieros como predictores de una
quiebra”, sino más bien el de: “Los datos contables como predictores de la quiebra”, debido
a que para Beaver, los ratios son datos contables comprimidos que pueden ser evaluados
en términos de su utilidad, definiendo a su vez esta utilidad en términos de su capacidad
predictiva.
Beaver concluyó que ciertos ratios son excelentes predictores de quiebras ya que
permiten detectar la falta de solvencia al existir una enorme diferencia entre los ratios de
las dos sub muestras que utilizó y que los ratios de rentabilidad seguidos de los ratios de
liquidez representaron las variables explicativas más significativas sobre la situación futura
de una empresa. Puso en duda el uso del análisis multivariado.
Otra conclusión de gran relevancia a la que llegó Beaver fue relacionada con el tema
de las variables independientes y fue que los ratios de rentabilidad seguidos de los ratios de
liquidez representaron las variables explicativas más significativas sobre la situación futura
de una empresa.
36
2.1.2.2 Modelos Multivariados
4
Los métodos estadísticos multivariados cobraron fuerza gracias al desarrollo de softwares
estadísticos tales como SPSS, SAS, BMPD, LISREL, SPAD, etc.
37
Modelo de Altman
Edward Altman (1968) amplió el análisis multivariado al introducir por primera vez
múltiples predictores de quiebra mediante el Análisis Discriminante Múltiple (MDA). A lo
largo de los años, este autor ha sido considerado por muchos como el investigador que más
ha contribuido al desarrollo de la teoría de la solvencia mediante la creación del modelo
conocido como “Z-Score”. Para el desarrollo de su investigación Altman (1968) seleccionó
una sub muestra de 33 empresas que fueron a la quiebra y otra de igual tamaño de
empresas que no fueron a la quiebra del sector manufacturero que cotizaban en la bolsa de
valores durante el periodo 1946 al 1965. Para la selección de las variables independientes
Altman integró inicialmente un grupo de 22 ratios que fueron aplicados a ambas sub
muestras de empresas. Estos 22 ratios fueron disminuidos a cinco factores que median: la
rentabilidad, actividad, liquidez, apalancamiento y solvencia. Para Altman estos 5 factores
resultaban ser la mejor combinación para el discriminante entre empresas en quiebra y
empresas sin quiebra.
Donde:
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑛𝑜 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖𝑑𝑜𝑠
𝑋2 = 𝑅𝑎𝑡𝑖𝑜 𝑑𝑒 𝑟𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 =
𝐴𝑐𝑖𝑣𝑜 𝑇𝑜𝑡𝑎𝑙
38
𝑉𝑒𝑛𝑡𝑎𝑠 𝑁𝑒𝑡𝑎𝑠
𝑋5 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑟𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 =
𝐴𝑐𝑖𝑣𝑜 𝑇𝑜𝑡𝑎𝑙
Modelo de Deakin
39
1) Consiguió disminuir el número de variables, eliminando aquellas que proporcionan
una contribución relativamente pequeña a la función y que daban como resultado el
incremento sustancial dentro del número de errores de clasificación.
2) Descubrió que un modelo único puede ser suficiente para predecir una quiebra con
un alto grado de probabilidad, pero insuficiente para predecir a largo plazo la misma
probabilidad de que ocurra.
Sus resultados coincidicieron con los de Beaver en cuanto al ratio de cash flow / deuda
total que obtuvo la mayor exactitud de clasificación, y cuyos porcentajes fueron altos,
incluso hasta 5 años antes de la quiebra. También los ratios de resultado neto / activo total
y deuda total / activo total, proporcionaron excelentes resultados.
Modelo de Ohlson
James A. Ohlson (1980) desarrolló su trabajo presentando como cambio principal con
respecto a otras investigaciones la utilización de un método estadístico diferente de los que
tradicionalmente se habían venido utilizando. Utilizó el modelo econométrico de
probabilidad condicional de regresión logística (Logit) en lugar del MDA intentando mejorar
las diferencias que éste último presentaba. Según Ohlson el MDA tenía poco valor
interpretativo al contrario del Logit. Antes de la década de los 80’s, aun cuando ya se habían
detectado problemas metodológicos y estadísticos aplicando el MDA, ningún otro
investigador intentó probar otras alternativas para mejorar estos aspectos.
40
reportes indicaban una situación en un momento del tiempo en que éstos fueron hechos
públicos, y por lo tanto, el analista no podía verificar si la empresa había llegado a la quiebra
antes o después de que los datos fueran publicados.
Este problema de temporalidad se daba porque se creía que los informes financieros
de las empresas estaban disponibles a la fecha del cierre anual, cosa que en la práctica no
sucedía, y menos aún en las empresas “fracasadas” las cuales en ocasiones llegaban a
producir su información después de ésta y ya no era “oportuna”. Ohlson prefirió buscar otra
fuente para la extracción de sus bases de datos que le indicara la fecha exacta de su emisión
pública para en realidad poder predecir relacione económicas, pues si una empresa
solicitaba el procedimiento concursal entre el posterior cierre de ejercicio y antes de la
emisión de los estados financieros finales, la información perdía validez, y por consiguiente
el análisis predictivo.
Los estudios realizados por Ohlson sentaron un precedente en los estudios sobre la
posibilidad de elección de metodologías estadísticas alternativas, debido a que se
comenzaron a utilizar modelos más flexibles en cuanto a sus requerimientos, proponiendo
en general otros dos modelos de probabilidad condicional (Logit y Probit) que resultaban
tan eficientes como el MDA.
Cash Flow
41
Los resultados de los estudios predictivos, que consideraron al cash flow operativo,
mostraron que tales medidas podían utilizarse solo como una contribución marginal para
diferenciar entre las empresas en quiebra y las empresas sanas sin embargo, dicha exactitud
marginal dentro del modelo podía ser mínima y siempre debía tenerse un gran cuidado para
seleccionar a las variables independientes.
42
La determinación de la solvencia futura de una empresa puede ser entendida en la
mayoría de los casos como una operación de clasificación, es decir, dada una información
inicial o conjunto de atributos asociados a una empresa, y extraídos en su mayor parte de
los estados contables de la misma, lo que pretende el analista es tomar la decisión de
clasificar a esa empresa dentro de una categoría concreta de riesgo financiero, de entre
varias posibles.
Aplicando la clásica división que hizo Simon (1960) de los procesos de decisión entre
estructurados y no estructurados, es claro que esa decisión es de tipo no estructurado ya
que no existe un procedimiento definido para abordarla, siendo necesario el juicio y la
propia evaluación del decisor. Tal y como señalan diversos autores (Ball y Foster, 1982, p.
217; Martín Marín, 1984, p. 630), no existe una teoría comúnmente aceptada que explique
el fenómeno del fracaso empresarial por lo que a priori, no es posible establecer qué
variables financieras ni qué valores en las mismas determinan la futura solvencia o
insolvencia de una firma.
43
configurándose como procedimientos estrictamente no paramétricos. Dentro de los
diversos sistemas de Inteligencia Artificial que han sido aplicados al campo del análisis de la
solvencia se encuentran:
i) Los Sistemas Expertos. Según Schaefer (1987, p. 41), los sistemas expertos son
una técnica adecuada para cumplimentar muchas de las tareas que engloba el
estudio de la solvencia empresarial, entre las que se puede destacar la
evaluación de la gestión de la empresa, la vigilancia para anticipar una
degradación en la posición financiera y la medida de la eficacia de la empresa en
relación con su entorno competitivo. La mayor parte de los sistemas expertos en
el campo del análisis de la solvencia están formados por dos módulos: un módulo
informático convencional que realiza los cálculos con ayuda de una hoja de
cálculo electrónica y un módulo de sistema experto, que efectúa los procesos de
análisis e interpretación de los datos y de emisión del informe, normalmente por
medio de un procesador de texto.
44
La utilización de algoritmos de inducción de reglas y árboles de decisión para el
pronóstico de la insolvencia ofrece interesantes ventajas:
45
estimación se efectúa separadamente con datos de los estados financieros de uno, dos, tres,
etc., años antes de que la quiebra tenga lugar. Modelos que, después, se aplican a muestras
externas de validación para determinar los errores de clasificación, y que proporcionan la
probabilidad de que una empresa quiebre o no. Prácticamente todos los resultados
empíricos de los distintos modelos coinciden en señalar que las empresas con dificultades
tienen características significativamente distintas a las sanas para períodos anteriores al
fracaso, en lo que a rentabilidad y endeudamiento se refiere.
Por otra parte, es preciso señalar que los modelos de predicción presentan ciertos
problemas en relación con los datos. En efecto, las estimaciones y los indicadores de
distancia a la quiebra, se obtienen a partir de los últimos estados financieros publicados por
la empresa en cuestión. Estados financieros que se suelen dar a conocer con posterioridad a
la finalización del ejercicio. Las investigaciones que constituyen el área de estudio del
fracaso financiero tienen como característica común la escasa existencia de aportaciones
teóricas en las que, a partir de un modelo formalmente enunciado, se describa el proceso
por el que una empresa se ve conducida a esta situación.
46
trabajar con variables imprecisas, cambiando los modelos a través del tiempo para que
éstos fueran capaces de adaptarse gradualmente a cada nuevo caso que se presentara. Una
novedad en el estudio de estos investigadores consistió en probar por primera vez un
método alternativo al análisis discriminante cuya aplicación estuviera basada en la
inteligencia artificial, a través de las redes neuronales. Sus resultados les confirmaron que
este sistema proporciona un diagnóstico automático y puede ser utilizado para
preseleccionar negocios que deban examinarse posteriormente con más profundidad para
otorgarles créditos.
Concluyeron que aunque este sistema tenía un poder predictivo considerable y era
flexible, se requerían numerosas pruebas para obtener la estructura de las redes
neuronales. Además, también existía la posibilidad de obtener resultados con un
comportamiento ilógico dado las diferentes variaciones de los “input-valores”. Esto desde
un punto de vista financiero representaba un serio problema. Por eso reconocieron la
necesidad de utilizar de manera simultánea el análisis discriminante múltiple y el método de
redes neuronales.
47
2.2 Modelos de Predicción con Variables Macroeconómicas
48
como la comparación del grado de predicción entre países y la creación de un modelo
genérico de predicción. Su estudio se lleva a cabo a través del uso de variables
microeconómicas, y los autores afirman que las diferencias entre países no se producen
exclusivamente por cifras de los estados contables o estados financieros, si no que su
modelo se ve, en parte, deteriorado por factores como la situación económica, la legislación
y la cultura, entre otros. Los autores animan a continuar por esta línea de investigación,
añadiendo nuevos países o continentes o intentando minimizar los factores que deterioren
la creación de un modelo de predicción transnacional común.
Son muchos los factores económicos ya analizados en la literatura previa. Por ejemplo,
el sector al que pertenecen las empresas quebradas condicionan el concurso (Chava y
Jarrow, 2004), y la inclusión en los modelos de predicción de algún índice de producción
sectorial provoca incrementos explicativos de los modelos (Hol, 2007; Mare, 2013). De
acuerdo con Acharya et al. (2007), los acreedores de empresas con problemas suelen
recuperar una cantidad menor de sus créditos si dichas empresas pertenecen a un sector
con poca liquidez y particularmente si además el sector posee activos muy específicos y
difícilmente reubicables. También demostraron que las empresas concursadas
pertenecientes a sectores que atraviesan situaciones financieras complicadas suelen
finalizar su proceso concursal con una reorganización, en mayor medida que con la
liquidación o la compra por parte de otra empresa. En el caso del sector manufacturero o
industrial, otros estudios relacionan la quiebra empresarial con la actividad industrial o
productiva, indicando que a medida que la actividad se incrementa, disminuyen los
problemas de financiación de las empresas (Salman et al., 2011).
49
Gráfico 6. Evolución del número de Empresas Concursada del Sector Construcción en España (2005-2014)
50
Otra variable es el ciclo macroeconómico. Existe una relación entre las empresas que
quiebran y el ciclo macroeconómico, con mayor impacto en los momentos de inestabilidad
del ciclo (Bhattacharjee et al., 2009). Testado empíricamente con empresas que cotizan en
bolsa, los cambios en el ciclo macroeconómico afectan de forma distinta a empresas que
acaban de comenzar a cotizar en bolsa frente a las que llevan años en el mercado bursátil.
La propensión hacia la liquidación se incrementa en el caso de empresas que han
comenzado a cotizar en bolsa en momentos de reciente prosperidad económica en cuanto
la situación económica empeora. Las sociedades que consiguen sobrevivir a una recesión
económica suelen ser adquiridas, en vez de liquidadas, en cuanto se vislumbra algo de
mejora en la economía. Otro estudio corrobora que un número más elevado de empresas
tienden a liquidarse durante años de inestabilidad económica, mientras que en años de
bonanza las adquisiciones son más frecuentes (Salman et al., 2011).
Cumming y Saini (1981) establecen que una política monetaria restrictiva provoca un
incremento en el número de empresas que entran en concurso. Como se ha visto con
anterioridad, Altman (1983) corrobora dichos resultados afirmando que la disponibilidad al
crédito favorece la recuperación de las empresas y, por el contrario, si la oferta monetaria
disminuye, aumenta el riesgo de quiebra (Salman et al., 2011). Del mismo modo, autores
posteriores también defienden que la oferta monetaria es un buen predictor de la quiebra,
junto con otras variables macroeconómicas, como son el output GAP y los índices de
producción sectorial (Hol, 2007). También relacionada con la política monetaria, los tipos de
interés se consideran un instrumento a utilizar para la toma de medidas de reducción de
quiebra empresarial (Liu, 2004). La quiebra de las empresas y los tipos de interés están
positivamente correlacionados, lo que implica que una disminución de los tipos de interés
provoca una caída también de las empresas en situaciones financieras complicadas.
51
Relativo a lo anterior, encontramos el acceso al crédito de las empresas con
problemas financieros, otra variable macroeconómica que influye sobre la quiebra
empresarial. La disponibilidad de crédito y la quiebra empresarial mantienen una
correlación negativa (Altman, 1983; Liu 2004). Cuando es difícil acceder al crédito bancario,
las empresas podrían verse obligadas a financiarse internamente, lo que produciría una
bajada de la producción y las inversiones y el casi inevitable camino hacia la liquidación (Liu,
2004).
El producto interior bruto (PIB) es una variable incluida también en los estudios sobre
el comportamiento de las empresas en quiebra. Según Halim et al. (2008), que llevan a cabo
un estudio sobre quiebra empresarial con variables macroeconómicas, encuentran nexos
muy significativos entre el PIB y la supervivencia de las entidades. En concreto, la subida del
producto interior bruto afecta de forma inversa sobre la quiebra de las empresas, es decir,
cuanto mayor sea el PIB mayor será la rentabilidad de las empresas y menos de ellas
llegarán a verse en situaciones financieras complicadas. Adicionalmente, no sólo el PIB es
una cifra que puede condicionar la situación de quiebra de las empresas. La diferencia entre
el PIB potencial y el observado es una variable que afecta al riesgo de quiebra de las firmas
(Hol, 2007; Carling et al., 2007) y tiene un poder explicativo muy alto sobre la quiebra.
Según Hol (2007), la relación existente entre la quiebra de entidades y el GDP GAP es
inversa; a medida que el GAP decrece, aumenta el riesgo de quiebra. En el estudio que
elaboran Carling et al. (2007), partiendo únicamente de información financiera específica de
52
empresas, es decir, de variables contables y ratios financieros, el incremento en el poder
explicativo del modelo al añadir variables macroeconómicas, tales como el output gap, la
curva de rendimiento y las expectativas de los consumidores, es muy relevante.
53
CAPITULO 3. HIPÓTESIS Y METODOLOGÍA
Una vez analizada la literatura previa y en línea con los objetivos propuestos, se
exponen dos hipótesis a contrastar en esta tesis doctoral:
54
3.2 Metodología de Ecuaciones de Estimación Generalizadas
55
Fitzmaurice (1995) demostró que cuando se enfrenta a una variable independiente
que varía dentro de un grupo (referido como una covariable dependiente del tiempo en
estudios longitudinales o datos panel), “la eficiencia de estimadores disminuye con el
aumento de la correlación y el descenso es más notable cuando la correlación es mayor que
0.4”. Las pérdidas de eficiencia eran mayores según aumentaba la correlación. Los errores
son especialmente grandes para los casos en que la correlación intrasujeto es muy positiva o
muy negativa.
Por otro lado, en los llamados estudios de corte transversal se obtiene una sola
observación para cada uno de los individuos de una muestra; cada una de estas
observaciones está conformada por una variable respuesta (o simplemente respuesta), que
es el foco de atención en el estudio y por un conjunto de variables explicativas que son
datos de las características del individuo estudiado, las cuales sirven para explicar el
comportamiento de la respuesta; en otras palabras, el comportamiento de la respuesta
depende de los distintos valores que tomen las variables explicativas.
56
Por ejemplo:
Los datos longitudinales pueden ser vistos como la fusión del enfoque de series de
tiempo y el enfoque de corte transversal. Son arreglos en los cuales se consideran varias
unidades experimentales (personas, empresas, ciudades, etc.) de las cuales se registran
repetidamente a lo largo de un periodo de estudio las observaciones de las respuestas de
interés conjuntamente con sus variables explicativas.
Debido a la naturaleza misma de este tipo de datos, una característica que los
distingue, y que debe tenerse en cuenta en la modelación, es la posible correlación dada
entre las mediciones repetidas de la variable respuesta en cada individuo, considerando las
mediciones entre los individuos independientes. Esto es, las mediciones son correlacionadas
dentro e independientes entre individuos. Así, se pretende identificar la evolución de la
variable respuesta y determinar cómo es afectada por las covariables o variable
independientes. La técnica se encuadra en el análisis de regresión incluida en el conjunto de
herramientas multivariantes destinadas al análisis de la dependencia entre variables,
medidas todas ellas (endógena y exógenamente) preferentemente en una escala
estrictamente cuantitativa.
57
El término de modelo de datos panel se aplica en este contexto a aquel modelo de
regresión que utiliza, para la estimación de los parámetros de interés, la variabilidad
temporal y transversal de los datos.
Los datos longitudinales implican mediciones repetidas en los sujetos a lo largo del
tiempo, proponiendo un nuevo tipo de análisis para ese tipo de datos. En el libro de
Rothman y Greenland, dentro del capítulo Introducción a la Modelación de la Regresión,
afirman que los datos longitudinales son las mediciones repetidas en los sujetos a lo largo
de un periodo de tiempo y que se pueden realizar para exposiciones dependientes del
tiempo.
5
Siguiendo a Mahía (2000)
58
Características particulares de los estudios longitudinales
Al realizar mediciones a lo largo del tiempo, el control de la calidad de los datos juega
un papel fundamental. La larga duración de algunos estudios obliga a prestar especial
atención al cambio de personal, al deterioro de los equipos, al cambio de tecnologías y a las
inconsistencia de las respuestas de los participantes a los largo del tiempo.
59
Características de los datos longitudinales
Es importante mencionar que la elección del modelo estadístico depende del tipo de
respuesta y del tipo de inferencia que se pretende hacer. Existen varias metodologías
usadas para el modelo de datos longitudinales.
60
Las tres aproximaciones más importantes (Diggle, Heagerty, Liang y Zeger, 2004):
61
Se puede hacer inferencia asintótica:
o 𝑁𝑇 → ∞
o 𝑁 → ∞, 𝑇 → ∞
o 𝑁 → ∞, 𝑇 → 𝑓𝑖𝑗𝑜
o 𝑇 → ∞, 𝑁 → 𝑓𝑖𝑗𝑜
Los errores estarán probablemente correlacionados (en el tiempo para un individuo
y/o entre individuos).
Se pueden tener regresores invariantes en el tiempo 𝑥𝑖𝑡 = 𝑥𝑖 , que no varían con los
individuos 𝑥𝑖𝑡 = 𝑥𝑡 o bien que varían tanto con el tiempo como con los individuos 𝑥𝑖𝑡
Permiten la estimación de modelos dinámicos.
Para cada observación debe conocerse el individuo i y el periodo temporal t al que se
refiere.
Para paneles balanceados describir el número de observaciones implica:
o Número de individuos distintos N.
o Total de periodos cubiertos por el panel T.
o Número total de observaciones NT.
o Para paneles no balanceados el total de observaciones ∑𝑁
𝑖=1 𝑇𝑖
La variables pueden tener variación tanto el en tiempo como entre los individuos.
62
A menudo, los parámetros individuales tienen una interpretación natural la cual es
relevante para los objetivos del estudio, y sus estimaciones pueden ser usadas para análisis
exploratorio. Es aquí donde la heterogeneidad de los individuos debe tomarse en cuenta.
Los modelos de efectos aleatorios pueden ser usados fácilmente pues tienen varias
características deseables como poder trabajar con datos desbalanceados, ya sea que éste
desbalance sea en el número de observaciones entre individuos, o bien, en los intervalos
entre las observaciones. Otra característica de estos modelos es que permite el modelado
explícito y el análisis de variación entre individuos y sobre cada individuo, entre otras.
Los modelos de efectos aleatorios son más usados cuando el objetivo es hacer
inferencias sobre los individuos más que sobre la población. En estos modelos se asume que
existe un conjunto de variables explicativas que tienen un efecto aleatorio en la respuesta
de diferentes individuos, i. e., el efecto de dichas variables, varía aleatoriamente de un
individuo a otro. Los datos panel permiten controlar variables que no pueden ser
observadas o medidas (por ejemplo los factores culturales o las diferencias existentes en
prácticas de negocio entre compañías); o también variables que cambian conforme el
tiempo pero no entre individuos (por ejemplo acuerdos internacionales, regulaciones
federales, políticas nacionales, etc.
Ventajas:
La técnica permite al investigador económico disponer de un mayor número de
observaciones incrementando los grados de libertad y reduciendo la colinealidad
entre las variables explicativas y, en última instancia, mejorando la eficiencia de las
estimaciones econométricas.
63
Tal y como se mencionó anteriormente, la técnica permite capturar la
heterogeneidad no observable ya sea entre unidades individuales de estudio como
en el tiempo. Con base en lo anterior, la técnica permite aplicar una serie de pruebas
de hipótesis para confirmar o rechazar dicha heterogeneidad y cómo capturarla.
Los datos en panel suponen, e incorporan en el análisis, el hecho de que los
individuos, firmas, bancos o países son heterogéneos. Los análisis de series de
tiempo y de corte transversal no tratan de controlar esta heterogeneidad corriendo
el riesgo de obtener resultados sesgados.
Permite estudiar de una mejor manera la dinámica de los procesos de ajuste. Esto es
fundamentalmente cierto en estudios sobre el grado de duración y permanencia de
ciertos niveles de condición económica (desempleo, pobreza, riqueza).
Permite elaborar y probar modelos relativamente complejos de comportamiento en
comparación con los análisis de series de tiempo y de corte transversal. Un ejemplo
claro de este tipo de modelos, son los que se refieren a los que tratan de medir
niveles de eficiencia técnica por parte de unidades económicas individuales
(empresas, bancos, etc.).
Desventajas:
En términos generales, las desventajas asociadas a la técnica de datos de panel se
relacionan con los procesos para la obtención y el procesamiento de la información
estadística sobre las unidades individuales de estudio, cuando esta se obtiene por
medio de encuestas, entrevistas o utilizando algún otro medio de levantamiento de
los datos. Ejemplos de este tipo de limitaciones son: cobertura de la población de
interés, porcentajes de respuesta, preguntas confusas, distorsión deliberada de las
respuestas, etc.
64
3.2.2 Análisis de Componentes Principales
Es habitual que las empresas comuniquen a los usuarios más de una decena de
indicadores, cuando en realidad no todos ellos son necesarios. Una apropiada selección de
los indicadores financieros puede ayudar a identificar con mayor facilidad las directrices
posibles de la política a seguir.
65
Selección de los Factores
La elección de los factores se realiza de tal forma que el primero recoja la mayor
proporción posible de la variabilidad original; el segundo factor debe recoger la máxima
variabilidad posible no recogida por el primero, y así sucesivamente. Del total de factores se
elegirán aquéllos que recojan el porcentaje de variabilidad que se considere suficiente. A
éstos se les denominará componentes principales.
66
El enfoque de este estudio es aquel en el que las EEG desarrolla una población modelo
de media o marginal. Los modelos marginales dan una respuesta promedio para
observaciones que comparten las misma covariables como una función de las mismas. Dicho
de otra manera, por cada aumento de una unidad en una covariable a través de la
población, los modelos EEG le dicen al usuario cuanto cambiaría la respuesta promedio,
estiman los coeficientes de regresión y errores estándar con las distribuciones de muestreo
que son normales asintóticamente (Liang & Zeger, 1986), pueden ser aplicados para probar
principales efectos e interacciones, y pueden ser usadas para evaluar variables
independientes categóricas o continuas.
Los estimadores de las EEG son los mismos que se producirían para regresión por
mínimos cuadrados ordinarios, cuando la variable dependiente presenta una distribución
normal y se supone no correlación entre la respuesta.
𝑛
𝜕𝜇𝑖 𝑇 −1
∑( ) 𝑉𝑖 (𝑦𝑖 − 𝜇) = 0
𝜕𝛼
𝑖=1
Dónde:
𝑇
𝜇𝑖 = [𝜇𝑖1, … . 𝜇𝑖𝑛𝑖 ] es el vector de medias asociadas con las medidas repetidas del i-ésimo
individuo, esto es, 𝜇𝑖 = 𝔼(𝑦𝑖𝑗 ), i = 1, …, n , j =1,…,𝑛𝑖 , 𝛳 es un estimador consistente de 𝛳,
el vector de parámetros asociado con la matriz de correlación de trabajo del i-ésimo
individuo 𝑅𝑖 = 𝑅𝑖 (𝛳),
1 1
𝑉𝑖 = 𝑉𝑖 (𝛳) = ∅ 𝐴2𝑖 𝑅𝑖 (𝛳)𝐴2𝑖 , 𝑖 = 1, … , 𝑛
67
es la matriz de covarianzas de trabajo, con ∅ un parámetro de escala posiblemente
desconocido, y
La distribución de una variable dependiente generalmente limita las opciones del usuario
con referencia a la función de enlace utilizada, así tenemos que:
68
especificación de distribuciones de la familia exponencial, que incluyen, la distribución
normal, la normal inversa, la Binomial, la Poisson , la Binomial Negativa y la Gamma.
Al igual que en los Modelos Lineal Generalizados, la varianza necesita ser expresada
como una función de la media; esto se incorpora a continuación en el cálculo de la matriz e
covarianza multiplicando los componentes contra una matriz de NxN (W) con valor 𝑊𝑖 en
la diagonal que está determinado por la función de la varianza; Para distribuciones de
Poisson esta cifra es μ, para datos binarios esta cifra es μ (1-μ) y para datos con distribución
normal es 1.
En el ajuste de una GEE (o cualquier modelo lineal generalizado) el usuario debe hacer
todos los esfuerzos razonables para especificar correctamente la distribución de la variable
de respuesta de manera que la varianza se pueda calcular eficientemente como una función
de la media y los coeficientes de regresión puedan ser interpretados adecuadamente.
1) Si las respuestas son datos binarios, los usuarios deberán especificar la distribución
binomial.
2) En los casos de respuestas de conteo, los usuarios deberán especificar la distribución
Poisson.
3) Para analizar datos estructurados, Binomial Negativa, en los casos de gran
dispersión.
69
Aun cuando los modelos EEG son generalmente robustos a errores de la estructura de
correlación, en los casos en lo que dicha estructura no incorpore toda la información sobre
la correlación de las mediciones dentro del panel, se podría esperar que los estimadores
resultaran deficientes. A continuación se enuncian las opciones más comunes para la
especificación de la estructura de correlación de los datos.
Test Wald 𝜒 2
Cada vez que hay una relación dentro o entre los datos, se puede expresar un modelo
estadístico con los parámetros a ser estimados a partir de una muestra. Pues bien, el Test de
70
Wald es una prueba estadística paramétrica que se utiliza para poner a prueba el verdadero
valor del parámetro basado en la estimación de la muestra.
2
(𝜃̂ − 𝜃0 )
𝑣𝑎𝑟(𝜃̂)
𝜃̂ − 𝜃0
𝑠𝑒(𝜃̂ )
El Test de Wald sobre varios parámetros a la vez se lleva a cabo utilizando una Matriz
de Varianza. Así mismo, se puede utilizar en una gran variedad de diferentes modelos,
incluyendo modelos que consideren variables tanto dicotómicas como variables continuas
71
Análisis Bivariados ( Análisis de Correleaciones)
Análisis de Componentes Principales
Repetir estos 2 pasos tatas veces como sea necesario hasta que todos los factores
resulten significativos y todos los factores no incluidos en el modelo sean los de poca
significancia
72
3.3 Metodología de Árboles de Decisión
O’ Leary (1995) indica que los sistemas inteligentes pueden construirse a partir de dos
enfoques:
73
i. Redes Neuronales Artificiales.
ii. Algoritmos de Inducción de Reglas
iii. Árboles de Decisión
Un árbol de decisión puede interpretarse (Molina y García, 2006) como una serie de
reglas compactadas para su representación en forma de árbol y lo que diferencia un árbol
de decisión de otro es el algoritmo que lo genera.
De manera sencilla podríamos decir que los árboles de decisión permiten representar
de forma gráfica una serie de reglas sobre la decisión que se debe tomar en la asignación de
un valor de salida a un determinado registro.
Siguiendo a Gervilla et al. (2009) citaremos a continuación algunas de las ventajas más
importantes de los árboles de decisión, que son:
74
ii) Las reglas de decisión proporcionadas por un modelo de árbol pueden usarse con
fines predictivos y no sólo descriptivos. Esto es así porque se puede evaluar su
precisión a partir de unos datos independientes (datos test o muestra de test que se
puede utilizar para validar el modelo) a los utilizados en la construcción del modelo
(datos o muestra de entrenamiento utilizada para estimar el modelo).
Existen una serie de algoritmos desarrollados desde los principios de los años sesenta
para la construcción de árboles de decisión. Así algoritmos que desarrollan árboles de
decisión son: CART (Breiman et al., 1984), ACLS (Paterson y Niblett, 1982), ASSISTANT
(Cestnik et al., 1987) etc. Muchos de estos desarrollos también se han convertido en
herramientas comerciales, por ejemplo, RuleMaster (1984), Ex-Tran (1984) y Expert-Ease
(1983).
75
El algoritmo C4.5
En él, el criterio utilizado para hacer las particiones se apoya en una serie de
conceptos procedentes de la Teoría de la Información y ha experimentado a lo largo del
tiempo una serie de notables mejoras. La idea central que comparte con otros algoritmos
similares es la de tomar en cada rama del árbol para hacer la correspondiente partición
aquella variable que proporciona más información de cara a clasificar los elementos que
constituyen el conjunto de entrenamiento, conjunto de datos usados para construir el árbol.
1
𝐻 (𝑥 ) = ∑ 𝑝(𝑥) 𝑙𝑜𝑔2
𝑝𝑥
𝑥
1
𝐻 (𝑥, 𝑦) = ∑ 𝑝(𝑥, 𝑦) 𝑙𝑜𝑔2
𝑝(𝑥,𝑦)
𝑥,𝑦
76
La entropía condicional de x dada y, H(x/ y) , se define como:
1
𝐻 (𝑥/𝑦) = ∑ 𝑝(𝑥, 𝑦) 𝑙𝑜𝑔2
𝑝(𝑥\𝑦)
𝑥,𝑦
Inicialmente Quinlan seleccionaba para hacer cada partición aquella variable 𝑦𝑖 que
proporcionaba la máxima información sobre x, es decir, maximizaba I(x; yi ) (magnitud
denominada Gain). Sin embargo, maximizar “gain” proporciona buenos resultados, pero
introduce un sesgo en favor de las yi con muchos valores distintos. Para corregir este sesgo,
en las versiones posteriores del algoritmo se selecciona aquella yi que maximiza la
I(x;yi )
magnitud (denomina Gain Ratio). Se define como el porcentaje de la información
H(yi )
77
En el algoritmo C4.5, para facilitar la comprensión del árbol, se puede realizar una
poda del mismo. El proceso de poda comienza en los Nodos Hoja y recursivamente continúa
hasta llegar al Nodo Raíz. En consecuencia, tras la poda del árbol, éste ganará en capacidad
de generalización, a costa de reducir el grado de pureza de sus hojas (Hernández et al.,
2004; Larose, 2005). Es decir, se obtienen modelos más generales pero aumentando el error
de clasificación.
78
CAPITULO 4. ESTUDIO EMPÍRICO
La base de datos resulta ser uno de los elementos más importantes para el éxito del
desarrollo de los modelos. Este capítulo muestra el desarrollo empírico del modelo
analizado con base en las 119 empresas que conformaron los índices IPC, IBEX35 y EURO
STOXX 50 respectivamente durante los años 2010, 2011, 2012, 2013 y 2014 y que fueron
extraídos de la aplicación financiera Bloomberg.
79
Id Nombre de la Empresa Sector Índice
31 LVMH Moet Hennessy Louis Vuitton SE Consumo, Cíclico EUROSTOXX50
32 ArcelorMittal Materias Primas EUROSTOXX50
33 Muenchener Rueckversicherungs- Financiero EUROSTOXX50
Gesellschaft AG in Muenchen
34 Nokia OYJ Comunicaciones EUROSTOXX50
35 L'Oreal SA Consumo, No Cíclico EUROSTOXX50
36 Koninklijke Philips NV Industria EUROSTOXX50
37 Repsol SA Energía EUROSTOXX50
38 RWE AG Servicio Público EUROSTOXX50
39 Sanofi Consumo, No Cíclico EUROSTOXX50
40 Banco Santander SA Financiero EUROSTOXX50
41 SAP SE Tecnológico EUROSTOXX50
42 Cie de Saint-Gobain Industria EUROSTOXX50
43 Siemens AG Industria EUROSTOXX50
44 Schneider Electric SE Industria EUROSTOXX50
45 Telefonica SA Comunicaciones EUROSTOXX50
46 UniCredit SpA Financiero EUROSTOXX50
47 Unibail-Rodamco SE Financiero EUROSTOXX50
48 Unilever NV Consumo, No Cíclico EUROSTOXX50
49 Vivendi SA Comunicaciones EUROSTOXX50
50 Volkswagen AG Consumo, Cíclico EUROSTOXX50
51 Abertis Infraestructuras SA Consumo, No Cíclico IBEX35
52 Abengoa SA Industria IBEX35
53 ACS Actividades de Construccion y Servicios Industria IBEX35
SA
54 Acerinox SA Materias Primas IBEX35
55 Amadeus IT Holding SA Tecnológico IBEX35
56 Acciona SA Industria IBEX35
57 Banco Bilbao Vizcaya Argentaria SA Financiero IBEX35
58 Bankinter SA Financiero IBEX35
59 Bolsas y Mercados Espanoles SHMSF SA Financiero IBEX35
60 CaixaBank SA Financiero IBEX35
61 Distribuidora Internacional de Alimentacion Consumo, No Cíclico IBEX35
SA
62 Endesa SA Servicio Público IBEX35
63 Enagas SA Servicio Público IBEX35
64 Fomento de Construcciones y Contratas SA Industria IBEX35
65 Ferrovial SA Industria IBEX35
66 Gas Natural SDG SA Servicio Público IBEX35
67 Grifols SA Consumo, No Cíclico IBEX35
68 International Consolidated Airlines Group SA Consumo, Cíclico IBEX35
69 Iberdrola SA Servicio Público IBEX35
70 Indra Sistemas SA Tecnológico IBEX35
71 Inditex SA Consumo, Cíclico IBEX35
72 Mapfre SA Financiero IBEX35
73 ArcelorMittal Materias Primas IBEX35
74 Obrascon Huarte Lain SA Industria IBEX35
75 Banco Popular Espanol SA Financiero IBEX35
80
Id Nombre de la Empresa Sector Índice
76 Red Electrica Corp SA Servicio Público IBEX35
77 Repsol SA Energía IBEX35
78 Banco de Sabadell SA Financiero IBEX35
79 Banco Santander SA Financiero IBEX35
80 Sacyr SA Industria IBEX35
81 Telefonica SA Comunicaciones IBEX35
82 Mediaset Espana Comunicacion SA Comunicaciones IBEX35
83 Tecnicas Reunidas SA Industria IBEX35
84 Viscofan SA Consumo, No Cíclico IBEX35
85 Arca Continental SAB de CV Consumo, No Cíclico IPC
86 Alfa SAB de CV Diversos IPC
87 Alpek SAB de CV Materias Primas IPC
88 Alsea SAB de CV Consumo, Cíclico IPC
89 America Movil SAB de CV Comunicaciones IPC
90 Grupo Aeroportuario del Sureste SAB de CV Industria IPC
91 TV Azteca SAB de CV Comunicaciones IPC
92 Grupo Bimbo SAB de CV Consumo, No Cíclico IPC
93 Bolsa Mexicana de Valores SAB de CV Financiero IPC
94 Cemex SAB de CV Industria IPC
95 Grupo Comercial Chedraui SA de CV Consumo, Cíclico IPC
96 Gentera SAB de CV Financiero IPC
97 Grupo Elektra SAB DE CV Consumo, Cíclico IPC
98 Fomento Economico Mexicano SAB de CV Consumo, No Cíclico IPC
99 Grupo Aeroportuario del Pacifico SAB de CV Industria IPC
100 Corp GEO SAB de CV Industria IPC
101 Grupo Financiero Inbursa SAB de CV Financiero IPC
102 Grupo Financiero Banorte SAB de CV Financiero IPC
103 Grupo Mexico SAB de CV Materias Primas IPC
104 Grupo Modelo SAB de CV Consumo, No Cíclico IPC
105 Gruma SAB de CV Consumo, No Cíclico IPC
106 Desarrolladora Homex SAB de CV Industria IPC
107 Empresas ICA SAB de CV Industria IPC
108 Industrias CH SAB de CV Industria IPC
109 Kimberly-Clark de Mexico SAB de CV Consumo, No Cíclico IPC
110 Coca-Cola Femsa SAB de CV Consumo, No Cíclico IPC
111 Genomma Lab Internacional SAB de CV Consumo, No Cíclico IPC
112 El Puerto de Liverpool SAB de CV Consumo, Cíclico IPC
113 Mexichem SAB de CV Materias Primas IPC
114 Minera Frisco SAB de CV Materias Primas IPC
115 OHL Mexico SAB de CV Consumo, No Cíclico IPC
116 Industrias Penoles SAB de CV Materias Primas IPC
117 Grupo Televisa SAB Comunicaciones IPC
118 Urbi Desarrollos Urbanos SAB de CV Industria IPC
119 Wal-Mart de Mexico SAB de CV Consumo, Cíclico IPC
Fuente: Elaboración Propia del Autor
81
4.1.1 Determinación de la Muestra
Este mismo autor examinó dos vías para estimar las muestras en los modelos
predictivos:
82
Para la realización del presente trabajo se consideró el segundo de los enfoques y
fueron elegidas la totalidad de las empresas (119) que conformaban los índices de
referencia en el sin conocimiento previo de su situación financiera, es decir:
83
Según Altman E. (1968) podría considerarse que el fracaso económico de una empresa
tiene su origen en el momento en que los propietarios reciben una rentabilidad por sus
inversiones menor que la rentabilidad del mercado, ante una misma situación de riesgo.
La primera etapa y quizá la más clara dentro del fracaso o quiebra empresarial es la
insolvencia o quiebra técnica. Este término se presenta cuando no se tiene liquidez para
cumplir con los pasivos vencidos. De no lograr superarse este estado, los pasivos exigibles
tienden a ser superiores a los activos totales, y por consecuencia el capital contable será
negativo, llegando así a un estado de insolvencia definitiva en la que el total de los pasivos
de la empresa es superior a los activos totales.
Según Segovia-Vargas (2003), las causas del fracaso de las empresas son muy diversas
y generalmente son varias las que concurren para llegar a una situación de crisis. En
ocasiones el origen del problema es externo (indicios del entorno); también puede ser
84
interno (indicios internos) y a menudo influyen ambos tipos, aunque siempre hay que
señalar que con independencia del número y origen de los problemas el equipo directivo de
la empresa tiene la responsabilidad de abordarlos y encontrar soluciones. Dado que las
causas que pueden originar el fracaso empresarial son muchas y de diversa índole, la
intensión del presente trabajo será detectar indicios o indicadores provenientes de la
información contenida en los estados financieros. De acuerdo con Gelashvili, Camacho
Miñano y Segovia Vargas (2015), los ratios o datos contables eran la base de los estudios
que intentaban predecir y, por tanto, explicar el fracaso empresarial.
Los primeros trabajos consistían en analizar los casos de fracasos empresariales reales
y, utilizando un método inductivo, aprender las características de las empresas fracasadas
comparándolas con otras “sanas”. Sin embargo, aún hoy en día, y con más de medio siglo de
investigaciones posteriores, todavía no existe unanimidad entre los investigadores sobre
cuáles son las variables que mejor explican la situación de insolvencia ni la reorganización de
empresas.
Tras aplicar este indicador a las 119 empresas del estudio y utilizando la información
proveniente de sus estados financieros, obtenemos una clasificación según se muestra en
la siguiente tabla.
6
Empresas que presentan dificultades financieras según este indicador y que por lo tanto tienen un
elevado riesgo de fracaso.
85
Un promedio del 27% de las empresas no han podido se clasificadas según el Z-score
debido a la falta de datos contables. Sin embargo, del restante 73% de empresas que si han
sido clasificadas, se obtiene un 51% de empresas Sanas y un 49% de empresas en Quiebra.
Con esto se concluye que partimos de una muestra equilibrada o emparejada entre
empresas sanas y no sanas para cada uno de los años dentro de la serie de tiempo
analizada.
86
4.1.3 Determinación de las Variables Independientes
Sin lugar a dudas la selección de las variables que serán utilizadas en cualquier modelo
resulta de especial importancia y atención por parte de los investigadores, ya que con base
en ellas se podrán realizar conclusiones adecuadas y certeras. Los análisis contables
tradicionales7, proponen el uso de ratios financieros para la evaluación de la situación y
evolución económica de las empresas, sin embargo tienen una limitada capacidad para dar
solución al problema sobre el cálculo de la liquidez, la rentabilidad, el endeudamiento, etc.,
y en general sobre la determinación del éxito o fracaso de una empresa. Para Brealey y
Myers (1999), el utilizar ratios o razones financieras tiene la ventaja de no verse abrumado
por el gran volumen de información y datos que contienen los estados financieros.
Según Segovia Vargas, M.J. (2003), una ventaja que presenta la utilización de los ratios
es que reducen la dispersión en las cifras de los estados financieros de las empresas
derivada del tamaño de las mismas. Esto facilita la comparación interempresas. Las
empresas de gran tamaño producen grandes números contables y las de pequeño tamaño
números contables menores. Por tanto, la utilización de ratios presenta la ventaja de reducir
el sesgo que podría producirse derivado del tamaño de las empresas.
El incluir ratios en los primero estudios predictivos tuvo como objetivo principal,
investigar en qué medida éstos representaban herramientas valiosas y adicionales para el
análisis de la solvencia a largo plazo para la posible predicción de una quiebra. Dentro del
esquema multivariado, en general se han basado la selección de variables explicativas o
independientes (ratios), en un fundamento teórico que permita en mayor medida una
interpretación lógica de los resultados para la mejor comprensión de las causas del proceso
de quiebra. Un problema que se presenta con frecuencia es cuando hay que realizar la
selección y clasificación de cada ratio, pues es importante considerar en primera instancia
que es lo que se desea medir y darle un nombre a la magnitud medida.
7
Son los utilizados normalmente por la mayor parte de los analistas financieros tales como el análisis vertical y
el análisis horizontal.
87
externos a la empresa, los intereses económicos de los distintos agentes relacionados y las
formas de actuar de los gestores, ha sido la causa de que las variables que se incluyen en los
modelos se seleccionen cada vez menos a partir del razonamiento económico y cada vez
más a partir de la experiencia empírica previa.
1) Los datos extraídos de los estados financieros que disponíamos para realizar el
estudio.
2) La revisión bibliográfica sobre un considerable número de artículos en esta línea de
investigación.
3) El número de trabajos en los que fueron utilizados con mayor frecuencia los ratios
financieros.
Con el fin de determinar el poder determinar el papel que tienen las variables
macroeconómicas en la explicación y la predicción de la quiebra empresarial, el presente
trabajo de investigación considera dos tipos de variables explicativas:
88
ii) Variables macroeconómicas
Variable Significado
Factores de Liquidez
8
Un índice bursátil es un indicador de la evolución de un mercado en función del comportamiento
de las cotizaciones de los títulos más representativos. Se compone de un conjunto de instrumentos,
acciones o deuda, y busca capturar las características y los movimientos de valor de los activos que
lo componen. También es una medida del rendimiento que este conjunto de activos ha presentado
durante un periodo de tiempo determinado. (Bolsa de Valores de Colombia).
89
Con el propósito de evitar las dificultades financieras es necesario alcanzar el primer
objetivo, es decir, conseguir la liquidez adecuada. De no lograrse esto último, es seguro que
la empresa entre en un proceso de enfermedad financiera, que comienza con un
vencimiento y falta de pago de las obligaciones a corto plazo para posteriormente entrara
en un proceso de falta de liquidez afectando de esta manera al ciclo de explotación de la
empresa, lo cual la obliga a entrar en una suspensión de pagos, que es sin lugar a dudas la
antesala de la quiebra técnica.
Factores de Endeudamiento
El factor de endeudamiento puede ser definido como aquel que presenta la situación
de la estructura de capital, la cual se determina en principio a partir de la relación entre los
fondos ajenos y los fondos propios. Mientras que los fondos ajenos tienen un rendimiento
garantizado y además se sabe con exactitud el tiempo de su reembolso y el tipo de interés
devengado, esta situación se ignora en el caso de los fondos propios.
90
En general los ratios de endeudamiento miden los diferentes componentes de la
estructura del capital con respecto al total de esta magnitud. También se utilizan para
determinar que otras deudas tienen la empresa con el fin de saber el grado de
apalancamiento financiero que existe.
Factores de Rentabilidad
91
Productividad (1984) se estableció que la productividad es un concepto universal que aspira
a proporcionar más bienes y servicios para un mayor número de personas, con cada vez
menor número de recursos reales; para ello considera que es necesaria la aplicación
integrada de habilidades y esfuerzos humanos, capital, tecnología, etc. Con respecto al
término eficiencia, se dice que se da en una empresa cuando se busca lograr el mínimo de
costes.
92
4.1.4 Definición y Análisis Descriptivo de las Variables Independientes
𝑨𝒄𝒕𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
𝑿𝟏 =
𝑻𝒐𝒕𝒂𝒍 𝑷𝒂𝒔𝒊𝒗𝒐
Definición
Estadística Descriptiva
Histograma
1.5
1
Density
.5
0
0 2 4 6 8
x1
93
Tabla 8. Resumen de Estadísticas de la Variable X1
periodo N max min mean p50 sd
𝑻𝒐𝒕𝒂𝒍 𝑷𝒂𝒔𝒊𝒗𝒐
𝑿𝟐 =
𝑻𝒐𝒕𝒂𝒍 𝑨𝒄𝒕𝒊𝒗𝒐
Definición
Una relación alta de deuda-activos significa que la empresa tiene demasiada deuda.
Aunque la deuda tiende a ser menos cara que los recursos obtenidos mediante capital, se
crea mayor riesgo. Una empresa endeudada tiene la obligación de pagar su deuda en fechas
específicas. Si la empresa no logra cubrir esas obligaciones a tiempo, los acreedores podrían
confiscar sus activos y la empresa podría quebrar.
En el caso contrario, es decir una empresa con relación deuda-activo baja tiene muy
poca deuda en comparación con su capital. Esto significa que tiene muy pocas obligaciones
de pago. Sin embargo la empresa debe repartir sus utilidades con los accionistas.
94
Estadística Descriptiva
Histograma
3
2
Density
1
0
0 .2 .4 .6 .8 1
x3
𝑻𝒐𝒕𝒂𝒍 𝑷𝒂𝒔𝒊𝒗𝒐
𝑿𝟑 =
𝑻𝒐𝒕𝒂𝒍 𝑪𝒂𝒑𝒊𝒕𝒂𝒍 𝑪𝒐𝒏𝒕𝒂𝒃𝒍𝒆
Definición
95
Estadística Descriptiva
Histograma
.2
.15
Density
.1
.05
0
0 20 40 60 80 100
x4
𝑬𝑩𝑰𝑻
𝑿𝟒 =
𝑰𝒏𝒈𝒓𝒆𝒔𝒐𝒔
Definición
96
Estadística Descriptiva
Histograma
.3
.2
Density
.1
0
𝑬𝑩𝑰𝑻
𝑿𝟓 =
𝑻𝒐𝒕𝒂𝒍 𝑪𝒂𝒑𝒊𝒕𝒂𝒍 𝑪𝒐𝒏𝒕𝒂𝒃𝒍𝒆
Definición
Este indicador es conocido como rendimiento del capital y mide la capacidad que
tiene una empresa para generar dinero con base en la inversión de los accionistas. Es decir
cuanta utilidad se genera por cada unidad monetaria de los accionistas.
97
Estadística Descriptiva
Histograma
2
1.5
Density
1
.5
0
-10 -5 0 5
x8
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝑵𝒆𝒕𝒂
𝑿𝟔 =
𝑰𝒏𝒈𝒓𝒆𝒔𝒐𝒔
Definición
Este indicador es conocido como margen neto de utilidad o rentabilidad de las ventas
y mide el porcentaje que está quedando a los propietarios para poder operar la empresa, es
decir, el porcentaje que se convierte en ganancia por cada unidad monetaria vendida.
98
Estadística Descriptiva
Histograma
.8
.6
Density
.4
.2
0
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝑵𝒆𝒕𝒂
𝑿𝟕 =
𝑻𝒐𝒕𝒂𝒍 𝑪𝒂𝒑𝒊𝒕𝒂𝒍 𝑪𝒐𝒏𝒕𝒂𝒃𝒍𝒆
Definición
Este indicador es conocido como margen de utilidad neto y mide el porcentaje que
está quedando a los propietarios para poder operar la empresa.
99
Estadística Descriptiva
Histograma
4
3
Density
2
1
0
-4 -3 -2 -1 0 1
x10
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝑵𝒆𝒕𝒂
𝑿𝟖 =
𝑻𝒐𝒕𝒂𝒍 𝑨𝒄𝒕𝒊𝒗𝒐𝒔
Definición
100
elevado es sinónimo de activos muy eficientes y productivos, en tanto que un ratio bajo se
asocia a la baja productividad o bien a la ineficiencia en su manejo.
Estadística Descriptiva
Histograma
30
20
Density
10
0
101
𝑰𝒏𝒈𝒓𝒆𝒔𝒐𝒔
𝑿𝟗 =
𝑨𝒄𝒕𝒊𝒗𝒐𝒔 𝑭𝒊𝒋𝒐𝒔
Definición
Aunque esta magnitud es a largo plazo, se pudiera a estimar en el corto plazo para
observar el comportamiento de factores temporales que afectan esta relación como por
ejemplo, el exceso en la capacidad de producción, o bien, aquellos activos ineficientes u
obsoletos. Debido a que los incrementos en la capacidad de fabricación no so graduales, de
debe buscar una medida adecuada entre la inversión de activos fijos y la capacidad
productiva.
Estadística Descriptiva
Histograma
.1
Density
.05
0
102
Tabla 16. Resumen de Estadísticas de la Variable X9
periodo N max min mean p50 sd
Sector
Definición
La actividad económica está dividida en sectores económicos, cada uno de los cuales,
hace referencia a una parte de la actividad económica cuyos elementos presentan
características comunes. Su división se hace generalmente de acuerdo a los procesos de
producción que ocurren al interior de cada uno de ellos. Es común que las actividades
económicas se diferencien dependiendo de su especialización, lo cual da origen a la
siguiente clasificación9:
9
Definiciones de los sectores económicos según Investopedia: http://www.investopedia.com/
103
jabón, champú y detergente para lavar platos pueden no parecer como esencial,
pero no se puede realmente sacrificarlos. La mayoría de las personas no sienten que
pueden esperar hasta el próximo año para hacer espuma con el jabón en la ducha.
2. Materias Primas: Categoría de acciones que representa para las empresas que
participan en el descubrimiento, desarrollo y transformación de materias primas. El
sector de los materiales de base incluye la extracción y refinación de metales,
fabricantes de productos químicos y productos forestales.
3. Financiero: Categoría de acciones que representa a las firmas que prestan servicios
financieros a los clientes comerciales y minoristas. Este sector incluye los bancos,
fondos de inversión, compañías de seguros y bienes raíces.
5. Consumo, Cíclico: Este sector incluye los bienes de consumo que se consideran
compras opcionales y no incluyen alimentos, ropa, combustible o cualquier otra
compra que es necesario para la supervivencia. Este sector también se conoce como
el sector de consumo discrecional.
104
8. Utilidades: Incluye a las empresas de servicios públicos como el gas y la energía. El
sector de servicios públicos contiene compañías como electricidad, gas y las
empresas de agua y proveedores integrados.
10. Diversificado: Una empresa que tiene varios negocios no relacionados. Negocios no
relacionados son los que (1) requiere conocimientos de gestión única, (2) tienen
diferentes clientes finales y (3) producir diferentes productos o proporcionar
diferentes servicios. Uno de los beneficios de ser una compañía diversificada es que
amortigua una empresa de las fluctuaciones dramáticas en cualquier sector de una
industria. Sin embargo, este modelo también es menos probable que los accionistas
permitirá darse cuenta de las ganancias o pérdidas significativas debido a que no
está enfocada singularmente en un negocio.
105
Estadística Descriptiva
País
Valor País
1 Bélgica
2 Francia
3 Alemania
4 Holanda
5 España
6 Irlanda
7 Italia
8 Luxemburgo
9 Finlandia
10 Reino Unido
11 México
Fuente: Elaboración Propia del Autor
106
Gráfico 17. Distribución de la Variable País
GII
Definición
El índice global de insolvencia es un indicador que fue creado por la empresa Euler
Hermes dado que el concepto de insolvencia empresarial varía de un país a otro y se calcula
como la suma ponderada de los índices nacionales.
Cada país se pondera con su participación en el PIB total de los países incluidos en el
estudio. De acuerdo con la empresa Euler Hermes este indicador es la mejor manera de
controlar la salud de la economía real mundial.
107
Estadística Descriptiva
Histograma
5
4
Density
3
2
1
0
-.4 -.2 0 .2 .4
gii
TEA
Definición
108
Stage Entrepreneurial Activity) y evalúa el porcentaje de población en edad laboral, de
aquellos que están a punto de iniciar una actividad empresarial como los que han
comenzado desde un año y hasta máximo tres y medio años.
Estadística Descriptiva
Histograma
40
30
Density
20
10
0
0 .05 .1 .15 .2
tea
109
PIB
Definición
El PIB es el valor monetario de los bienes y servicios finales producidos por una
economía en un período determinado. EL PIB es un indicador representativo que ayuda a
medir el crecimiento o decrecimiento de la producción de bienes y servicios de las empresas
de cada país, únicamente dentro de su territorio. Este indicador es un reflejo de la
competitividad de las empresas.
El PIB de una país aumentará si el gobierno o las empresas dentro del mismo
toman préstamos en el extranjero, obviamente, esto disminuirá el PIB en períodos
futuros.
No toma en cuenta la depreciación del capital (Aquí se incluyen tanto maquinaria,
fábricas, etc., como así también recursos naturales, y también se podría incluir al
"capital humano"). Por ejemplo, un país puede incrementar su PIB explotando en
forma intensiva sus recursos naturales, pero el capital del país disminuirá, dejando
para generaciones futuras menos capital disponible.
110
No tiene en cuenta externalidades negativas que algunas actividades productivas
generan, por ejemplo, la contaminación ambiental.
No tiene en cuenta la distribución del ingreso. Los pobladores de un país con igual
PIB per cápita que otro pero con una distribución más equitativa del mismo
disfrutarán de un mayor bienestar que el segundo.
La medida del PIB no tiene en cuenta actividades productivas que afectan el
bienestar pero que no generan transacciones, por ejemplo trabajos de voluntarios
o de amas de casa.
Actividades que afectan negativamente el bienestar pueden aumentar el PIB, por
ejemplo divorcios y crímenes.
Estadística Descriptiva
Histograma
40
30
Density
20
10
0
111
Desempleo
Definición
El Desempleo (o paro) se produce cuando la gente está sin trabajo y buscando trabajo
activamente. La tasa de desempleo es una medida de la extensión del desempleo y se
calcula como un porcentaje dividiendo el número de personas desempleadas por todas las
personas que se encuentran en la fuerza laboral. Durante los períodos de recesión, la
economía experimenta generalmente una tasa de desempleo relativamente alta.
La tasa de desempleo es una de las estadísticas más observadas por los analistas y es
vista como un signo de debilidad de la economía que puede requerir reducir la tasa de
interés. Una tasa decreciente, de manera similar, indica una economía en crecimiento, que
suele ir acompañada por una tasa de inflación más alta y requerir así un aumento en las
tasas de interés.
Estadística Descriptiva
Histograma
40
30
Density
20
10
0
112
Tabla 21. Resumen de Estadísticas de la Variable Desempleo
periodo N max min mean p50 sd
Corrupción
Definición
Estadística Descriptiva
Histograma
80
60
Density
40
20
0
10
http://www.transparency.org/
113
Fuente: Elaboración Propia del Autor
Enforcement
Definición
Estadística Descriptiva
Histograma
30
20
Density
10
0
.4 .5 .6 .7 .8 .9
enforcement
114
Fuente: Elaboración Propia del Autor
Situación Legal
Definición
Los sistemas legales de todo el mundo varían mucho, pero por lo general siguen el
derecho civil o el derecho común. Nuevas investigaciones tales como Beck, Demirgüç-Kunt
y Levine. (2003) sugieren que las diferencias entre países en origen legal ayuda a explican
las diferencias en el desarrollo financiero. En el sistema legal que prevalece en países
anglosajones, "derecho común" (common law) es un sistema legal donde se da
preeminencia a la decisión de un juez más que a lo establecido en las leyes. Y se suele
contraponer a lo que en inglés se denomina "civil law", que significa "Derecho Civil" pero
entendido como el sistema legal donde ocurre lo inverso, es decir, donde la base del
sistema es la ley y no tanto la jurisprudencia o precedentes que establezcan jueces o
tribunales.
115
Inflación
Definición
Existen otros índices, como el Índice de Precios al Productor, que mide el crecimiento
de precios de las materias primas.
Causas de la Inflación
116
¿Cómo se detiene la inflación?
Para detener la inflación, los bancos centrales tienden a incrementar la tasa de interés
de la deuda pública. De esta manera se incrementan las tasas de interés en los préstamos
al consumo (tarjetas de crédito, hipotecas, etc.). Al aumentar las tasas de interés del
consumo, se frena la demanda de productos.
Estadística Descriptiva
Histograma
60
40
Density
20
0
117
Tabla 24. Resumen de Estadísticas de la Variable Inflación
periodo N max min mean p50 sd
118
4.2 Aplicación Empírica de las Ecuaciones de Estimación Generalizadas
Matriz de Correlaciones
𝑋1 , … , 𝑋9 , 𝑠𝑒𝑐𝑡𝑜𝑟, 𝑝𝑎𝑖𝑠, 𝑔𝑖𝑖, 𝑡𝑒𝑎, 𝑝𝑖𝑏, 𝑑𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑜, 𝑐𝑜𝑟𝑟𝑢𝑝𝑐𝑖𝑜𝑛, 𝑒𝑛𝑓𝑜𝑟𝑒𝑐𝑒𝑚𝑒𝑛𝑡, 𝑙𝑒𝑔𝑎𝑙,
𝑖𝑛𝑓𝑙𝑎𝑐𝑖𝑜𝑛
Matriz de Correlaciones
x1
.5 x2
0
100
50 x3
0
0
-50 x4
-100
0
-5
x5
-10
0
-20 x6
-40
2
0
x7
-2
-4
.1
0 x8
-.1
200
100 x9
0
10
5 sector
0
10
5 pais
0
.5
0 gii
-.5
.2
.1 tea
0
.05
0 pib
-.05
.3
.2
desempleo
.1
0
.1
.05 corrupcion
0
.8
.6 enf orcement
.4
1
.5 legal_situation
0
.04
.02
Inf lacion
0
-.02
0 5 100 .5 10 50 100
-100 -50 0-10 -5 0 -40 -20 0 -4 -2 0 2 -.1 0 .1 0 100 2000 5 100 5 10 -.5 0 .50 .1 .2
-.05 0 .050 .1 .2 .30 .05 .1.4 .6 .8 0 .5 1
119
Fuente: Elaboración Propia del Autor
Tras analizar y observar que existen algunas correlaciones entre las variables
(financieras y macroeconómicas), se realizará el análisis de componentes principales para
intentar reducir la dimensión.
120
Gráfico 25. Sedimentación Año 2010
121
Análisis de Componentes Principales - Año 2011
122
Gráfico 26. Sedimentación Año 2011
123
Análisis de Componentes Principales - Año 2012
Se continúa con el análisis de Componentes Principales pero ahora para el Año 2012,
donde se tiene:
124
Gráfico 27. Sedimentación Año 2012
125
Análisis de Componentes Principales - Año 2013
Ahora bien, el análisis de Componentes Principales pero ahora para el Año 2013, se
obtiene los resultados:
126
Gráfico 28. Sedimentación Año 2013
127
Análisis de Componentes Principales - Año 2014
El análisis de Componentes Principales pero ahora para el Año 201, se tendrían los
siguientes resultados:
128
Gráfico 29. Sedimentación Año 2014
Para elegir con que componentes nos quedaremos habrá que seguir algunos criterios:
1) Criterio de Kaiser: Este criterio menciona que los autovalores (Eigenvalue) han ser
mayores que 1, ya que son estos los que mayor varianza explican. La media de
todos estos valores es igual a 1.
2) Elegir un mínimo de varianza que se desea explicar. Para este estudio fijamos un
objetivo entre 65% y 75%.
129
El gráfico de sedimentación representa la proporción de información que ganamos
con cada factor extra y nos ayuda a distinguir con mayor claridad los puntos de inflexión.
Por ejemplo en el años 2010 se pueden distinguir dos puntos uno entre el Comp2 y el
Comp3 y el segundo entre el Comp4 y Comp5.
Tomando en cuenta estos criterios, hemos elegido 4 componentes para cada uno de
los años analizados y finalmente se procede ahora a su interpretación observando que
variables saturan a cada factor en cada uno de los años (los que más peso tienen dentro de
cada uno de ellos).
El siguiente esquema muestra las variables que saturan cada factor por cada uno de
los años y para los 4 componentes principales seleccionados:
Figura 9. Saturación de los Componentes por la Variables Explicativas por Año de Observación
130
Tabla 30. Frecuencia de Aparición de las Variables Explicativas en la Saturación de los Componentes
Toda vez que ya se realizó el ACP, contamos con algunas “pistas” de las variables
independientes que podrían formar parte del modelo sin perder información del resto de
ellas. Recordemos que para los GEE hay que especificar:
131
1) Función de enlace: Log-Log
2) Distribución de la Variable Dependiente: Binomial
3) Estructura de Correlación: No estructurada
Después de realizar algunas pruebas, presentamos los dos escenarios que mejor
ajustan al modelo de EEG bajo los supuestos mencionados y los datos utilizados en las
siguientes secciones.
Iteración 1: Variables: X2 / X5 / X8
x2 x5 x8
x2 1.0000
x5 -0.0759 1.0000
x8 -0.3742 0.4083 1.0000
Matriz de Correlaciones
x2
-5
x5
-10
.1
0 x8
-.1
0 .5 1-10 -5 0
132
Figura 11. Resultados Iteración 1 Modelo EEG
x1 1.0000
x2 -0.5377 1.0000
x5 -0.0370 -0.0795 1.0000
x8 0.1801 -0.3716 0.4102 1.0000
desempleo -0.1551 0.3072 0.0675 -0.0686 1.0000
inflacion 0.2010 -0.2470 -0.0628 0.0430 -0.5125 1.0000
Matriz de Correlaciones
x1
.5 x2
0
0
-5 x5
-10
.1
0 x8
-.1
.3
.2
desempleo
.1
0
.04
.02
Inflacion
0
-.02
0 5 100 .5 1-10 -5 0 -.1 0 .1 0 .1 .2 .3
133
Figura 13. Resultados Iteración 2 Modelo EEG
Iteración 3: Variables: X1 / X2 / X5 / X8
x1 x2 x5 x8
x1 1.0000
x2 -0.5377 1.0000
x5 -0.0370 -0.0795 1.0000
x8 0.1801 -0.3716 0.4102 1.0000
Matriz de Correlaciones
x1
.5 x2
0
0
-5 x5
-10
.1
0 x8
-.1
0 5 100 .5 1-10 -5 0
134
Figura 15. Resultados Iteración 3 Modelo EEG
Iteración 1: Variables: X2 / X5 / X8
Variable en el
Definición Factor
Modelo
X2 Total Pasivo / Total Activo Endeudamiento
X5 EBIT / Total Capital Contable Rentabilidad
X8 Utilidad Neta / Total Activo Rentabilidad
Fuente: Elaboración Propia del Autor
135
Tabla 32. Significancia Estadística Iteración 1
Wald 2 3 = 93.13
Variable P- Value (P >|z|) Coeficiente
X2 0.000 7.114
X5 0.049 -1.073
X8 0.000 -30.904
Variable en el
Definición Factor
Modelo
X1 Activo Circulante / Total Pasivo Liquidez
X2 Total Pasivo / Total Activo Endeudamiento
X5 EBIT / Total Capital Contable Rentabilidad
X8 Utilidad Neta / Total Activo Rentabilidad
Desempleo Variable Macroeconómica
Inflación Variable Macroeconómica
Fuente: Elaboración Propia del Autor
136
En una segunda iteración se han introducido en el modelo de ecuaciones de
estimación generalizadas tanto variables microeconómicas (añadiendo el ratio de liquidez
X1) como variables macroeconómica, de igual manera, siguiendo el criterio de ser las que
presentaron mayor saturación de los componentes principales. Se obtiene que todas salen
significativas con un nivel de confianza arriba del 99% excepto la inflación con un 90%. La
prueba Wald 𝜒 2 arroja un valor de 107.83, superior al 93.13 obtenido en la primera
iteración sin las variables macroeconómicas, lo cual evidencia que se ha mejorado el poder
predictivo del modelo al incluir estas variables.
Wald 2 6 = 10 . 3
Variable P- Value (P >|z|) Coeficiente
X1 0.000 -1.932
X2 0.000 6.742
X5 0.007 -1.501
X8 0.000 -33.829
Desempleo 0.007 3.566
Inflación 0.095 13.185
137
Coeficiente negativo de la variable X8 (Return on Assets): Indica que es más probable
que una empresa quiebre cuando por cada unidad monetaria invertido en activo se
genere menos utilidad neta.
Coeficiente positivo del Desempleo: Indica que es más probable que una empresa
quiebre cuanto mayor sea la tasa de desempleo del país, es decir la generación de
empleos no crece al ritmo deseado y por lo tanto la producción de la empresa no
crece a un ritmo mayor.
Coeficiente positivo de la Inflación: Indica que entre mayor sea esta tasa, más
probable será que una empresa quiebre, es decir, si suben los precios, podremos
adquirir menos bienes y servicios con los mismo ingresos, por lo que se dice que hay
pérdida de poder adquisitivo
Iteración 3: Variables: X1 / X2 / X5 / X8
Variable en el
Definición Factor
Modelo
X1 Activo Circulante / Total Pasivo Liquidez
X2 Total Pasivo / Total Activo Endeudamiento
X5 EBIT / Total Capital Contable Rentabilidad
X8 Utilidad Neta / Total Activo Rentabilidad
Fuente: Elaboración Propia del Autor
138
Tabla 36. Significancia Estadística Iteración 3
Wald 2 4 = 116.96
Variable P- Value (P >|z|) Coeficiente
X1 0.000 -1.91
X2 0.000 6.88
X5 0.019 -1.24
X8 0.000 -31.39
139
Así podemos concluir que las variables dentro de la tercera iteración son las que
presentarían mayor poder predictivo con relación a la variable dependiente Y_Altman, es
decir a la posible quiebra de una empresa.
140
4.3 Aplicación Empírica de los Árboles de Decisión
Si bien los datos que disponemos presentan la característica de datos panel, para la
aplicación de estos modelos únicamente se realizarán dos cortes transversales, uno para el
año 2010 y otro para el año 2014, con lo cual podremos analizar el principio y el final de la
serie de tiempo. En la siguiente tabla se muestra el porcentaje de empresas en situación de
quiebra y no quiebra los dos años analizados, según la variable respuesta.
NO
Año Quiebra
Quiebra
2010 55% 45%
2014 53% 47%
Fuente: Elaboración Propia del Autor
Estas dos categorías han sido evaluadas de conformidad con los valores que toman las
19 variables respuesta para el año 2010 y 2014 respectivamente y para el total de las
empresas. Esta base de datos se ha introducido y programado en WEKA, que como
mencionamos en el capítulo anterior, es uno de los softwares informáticos que ha
desarrollado el análisis del algoritmo C4.5
141
4.3.1 Corte Transversal Año 2010
Number of Leaves: 6
Size of the tree: 11
Time taken to build model: 0.02 seconds
142
Correctly Classified Instances 63 77.7778 %
Incorrectly Classified Instances 18 22.2222 %
Kappa statistic 0.5472
Mean absolute error 0.2488
Root mean squared error 0.4369
Relative absolute error 50.5919 %
Root relative squared error 88.0524 %
Total Number of Instances 81
a b <-- classified as
26 9 | a = 1
9 37 | b = 0
143
Para analizar el modelo bajo la metodología C4.5 y poder interpretar el árbol, hay que
ir descendiendo, hasta completar la totalidad de sus hojas, lo cual nos proporcionara las
reglas de decisión.
Al final de cada hoja del árbol aparece un valor n o n/m, siendo su interpretación:
Para comprender mejor el árbol de decisión obtenido para el año 2010, a continuación
se presenta un esquema gráfico. Dentro del árbol se han identificado las ramas
correspondientes a las reglas con mayor fuerza para ambas categorías de clasificación:
quiebra y no quiebra (color verde).
144
Reglas de la Clase 1 = Quiebra
Regla 1 de la clase 1.
o Rama 1. Todas las empresas, según el criterio de clasificación proporcionado
por la variable de respuesta (quiebra o no quiebra), pueden ser clasificadas
atendiendo en primer lugar a la variable microeconómica conocida como razón
de solvencia global X2. Como se mencionó en el Capítulo 3, ccuanto mayor es
el resultado de este cociente más depende la empresa de los recursos ajenos.
Para valores superiores a 0.6054 en este ratio, el árbol nos sugiere el análisis
de otra variable adicional, es decir la variable microeconómica X1.
o Rama 2. Corresponde al análisis de la variable X 1, el ratio financiero conocido
como coeficiente de liquidez circulante que mide la participación del
financiamiento total en las inversiones de corto plazo, cuanto mayor sea el
ratio, mayor liquidez a corto plazo presenta la empresa. El árbol de decisión
sugiere el análisis de la variable Macroeconómica GII para valores inferiores a
0.5563.
o Rama 3. Corresponde al análisis de la variable conocida como GII (Global
Insolvency Index) calculada por la empresa Euler-Hermes. Entre mayor sea este
indicador, resulta menor el nivel de solvencia de una empresa. Para valores
mayores a 0.1031 la empresa se clasificaría como quiebra, situación que se
cumple en 24 casos, es decir un total de 30% de la muestra.
Regla 1 de la clase 0.
o Rama 1. Siguiendo el mismo criterio, todas las empresas, pueden ser
clasificadas atendiendo en primer lugar a la variable X 2. Analizada de manera
inversa, entre menor es el resultado de este cociente menos depende la
empresa de los recursos ajenos. Es por ello que el árbol sugiere que para
valores inferiores a 0.6054 de esta variable la empresa se clasificaría
directamente como sana sin necesidad de alguna otra variable adicional,
situación que se cumple en 37 casos, es decir un total de 46% de la muestra.
145
4.3.1.3 Resumen de las Principales Reglas de Decisión
Año 2010
Categoria 0 - No Quiebra
Muestra 81
146
INFLATION
Y_ALTMAN
Test mode: 10-fold cross-validation
Number of Leaves: 5
Size of the tree: 9
Time taken to build model: 0 seconds
a b <-- classified as
30 11 | a = 1
13 31 | b = 0
147
En el caso del años 2014 el índice Kappa es de 0.4355, lo cual nos indica que la
clasificación de las empresas en no quiebra y quiebra, no es aleatoria.
Para comprender mejor el árbol de decisión obtenido para el año 2014, a continuación
se presenta un esquema gráfico. Dentro del árbol se han identificado las ramas
correspondientes a las reglas con mayor fuerza para ambas categorías de clasificación:
quiebra y no quiebra (color verde).
148
Reglas de la Clase 1 = Quiebra
Regla 1 de la clase 1.
o Rama 1. Todas las empresas, según el criterio de clasificación proporcionado
por la variable de respuesta (quiebra o no quiebra), pueden ser clasificadas
atendiendo en primer lugar a la variable microeconómica conocida como razón
de solvencia global X8. Este indicador es conocido en la literatura como ROA
(Return on Assets). Un ratio bajo se asocia a la baja productividad o bien a la
ineficiencia en su manejo. Para valores inferiores a 0.0141 en este ratio, el
árbol nos sugiere el análisis de otra variable adicional, es decir la variable
macroeconómica GII.
o Rama 2. Corresponde al análisis de la variable GII, el Global Insolvency Index de
Euler-Hermes. Para valores inferiores a 0.3 la empresa se clasificaría como
quiebra, situación que sucede en 18 casos, es decir en un total de 21% de la
muestra.
Regla 2 de la clase 1.
o Rama 1. Todas las empresas, según el criterio de clasificación proporcionado
por la variable de respuesta (quiebra o no quiebra), pueden ser clasificadas
atendiendo en primer lugar a la variable microeconómica conocida como razón
de solvencia global X8. Este indicador es conocido en la literatura como ROA
(Return on Assets). Un ratio bajo se asocia a la baja productividad o bien a la
ineficiencia en su manejo. Para valores inferiores a 0.0141 en este ratio, el
árbol sugiere el análisis de otra variable adicional, es decir la variable
macroeconómica GII.
o Rama 2. Corresponde al análisis de la variable GII, el Global Insolvency Index de
Euler-Hermes. Entre mayor sea este indicador, resulta menor el nivel de
solvencia de una empresa. Para valores mayores a 0.3 en este indicador
macroeconómico, el árbol sugiere el análisis de otra variable adicional, es decir
la variable microeconómica X1.
149
o Rama 3. Corresponde al análisis de la variable X1, el ratio financiero conocido
como coeficiente de liquidez circulante que mide la participación del
financiamiento total en las inversiones de corto plazo. Para valores inferiores a
0.6263 en esta variable, la empresa se clasificaría como quiebra, situación que
se cumple en 24 casos, es decir un total de 28% de la muestra.
Regla 1 de la clase 0.
o Rama 1. Todas las empresas, según el criterio de clasificación proporcionado
por la variable de respuesta (quiebra o no quiebra), pueden ser clasificadas
atendiendo en primer lugar a la variable microeconómica conocida como razón
de solvencia global X8. Este indicador es conocido en la literatura como ROA
(Return on Assets). Cuanto más alto es el ratio, más rentables son los activos.
Un ratio elevado es sinónimo de activos muy eficientes y productivos. Para
valores mayores a 0.0141, el árbol sugiere el análisis de otra variable adicional,
es decir la variable microeconómica X4.
o Rama 2. Corresponde al análisis de la variable microeconómica X4. Este
indicador es conocido en la literatura como margen de beneficio neto o
rentabilidad de los ingresos e indica cuanto beneficio se obtiene por cada peso
de ventas, entre menor sea el indicador menos beneficio se obtiene por la
ventas realizadas, es por ellos que para valores inferiores a 0.5008, la empresa
se clasificaría como quiebra, situación que se cumple en 33 casos, es decir un
total de 39% de la muestra.
150
4.3.2.3 Resumen de las Principales Reglas de Decisión
Año 2014
Categoria 0 - No Quiebra
Muestra 85
151
4.4 Resultados y Discusión
Como se observa en la Tabla 38, bajos estos dos enfoques, las variables
microeconómicas o ratios financieros que presentan mayor poder predictivo X1, X2, X8
resultan ser coincidentes. La variable X2 (ratio de solvencia global) y la variable X8 (Return on
Assets / ROA) han estado presentes en la mayoría de los trabajos de investigación
relacionados con la quiebra empresarial (Ver Tabla 6). Es de esperar que estas variables
tengan gran relevancia en el estudio ya que por un lado el ratio de solvencia global relaciona
la totalidad de activos que tiene una empresa para hacer frente al total de sus obligaciones,
misma relación que nos indica que entre más depende la empresa de los recursos ajenos
mayor posibilidad existe de presentar un estado de quiebra.
152
Por otro lado el ROA o retorno sobre los activos que es quizá el ratio de
rentabilidad más conocido en la literatura ya que muestra que tan efectivos están siendo
los activos de la empresa y, por lo tanto, generar mayor rentabilidad ocasionando a su vez
que se tenga la capacidad para solventar el financiamiento que tiene la empresa por parte
de recursos ajenos.
Según Banet (2001) estas dos disciplinas (Inteligencia Artificial y Estadística) se han
desarrollado una a la espaldas de la otra, mientras que la IA se ha enfocado más en ofrecer
soluciones algorítmicas con un coste informático aceptable, la estadística se ha preocupado
más por el poder de generalización de los resultados obtenidos, es decir en poder inferir los
resultados a situaciones más generales. A diferencia de la IA, que es una ciencia joven, en
Estadística se viene aprendiendo de los datos desde hace más de un siglo, la diferencia
consiste que ahora existe la potencia de cálculo suficiente. Finalmente y debido a la gran
amplia variedad de técnicas que hoy en día se muestran como una opción para la
determinación de la posible quiebra o fracaso empresarial (para el caso que nos compete )
y para muchos otros temas de investigación.
153
En el contexto globalizado actual en el que gobierna la incertidumbre y los cambios
continuos en las políticas macroeconómicas, la estructura social y en el tejido empresarial,
resulta de gran valor contar con modelos de predicción que generen valor para las empresas
y más concretamente en el mundo corporativo de empresas cotizadas (que cotizan en
alguna bolsa de valores). En años recientes la relación entre el crecimiento macroeconómico
y el desarrollo de los mercados ha sido objeto de atención por parte de los tomadores de
decisión empresarial.
Si bien es cierto que hasta el día de hoy la mayoría de las investigaciones sobre
quiebra empresarial se han centrado en gran medida en distinguir la salud de las empresas
con base en sus características financieras medida a través de sus datos contables en forma
de ratios, no obstante, debido a la crisis económica actual a nivel mundial y el aumento
exponencial de la insolvencia de las empresas, resulta difícil poder estudiar y explicar este
fenómeno sin emplear otro tipo de variables que tengan en consideración el estado de la
economía en su conjunto y no exclusivamente los ratios contables internos de las empresas.
Los indicadores macro económicos son una serie de datos que se representan en
valores estadísticos teniendo como objetivo principal indicarnos la situación que guarda la
economía de un país. La tendencia a ajustar los modelos a grupos específicos de empresas
con características similares, por situación geográfica, tamaño, fase del ciclo de vida de la
empresa, actividad económica etc., es factible cuando se dispone de una gran cantidad de
información para tener muestras realmente representativas con que trabajar los modelos.
Por esta razón una alternativa es la que fue utilizada en el presente trabajo de
investigación y consiste en realizar estudios con empresas de distintos sectores y localizados
en distintas geografías con el fin de aumentar el tamaño de la muestra.
Los resultados obtenidos aplicando ambas técnicas (Ver Tabla 38) muestran que las
variables macroeconómicas no tienen la misma presencia que las variables financieras y
esto puede deberse en gran medida a que las condiciones macroeconómicas diversas que
presentan cada uno de los países puede plantear problemas de comparabilidad de la
información y, por lo tanto, recaer mayor peso en las variables internas.
154
Las variables macroeconómicas se diluyen en un entorno de empresas cotizadas. Tras
realizar varias iteraciones en el modelo de EEG el poder predictivo se vio incrementado
según la prueba Wald 𝜒 2 (Ver Tablas 32, 34 y 36) al dejar únicamente las variables
financieras lo cual nos lleva a no rechazar la hipótesis H2 planteada en este trabajo de
investigación en el apartado 3.1.
155
CAPITULO 5.CONCLUSIONES Y FUTURAS LÍNEAS DE INVESTIGACIÓN
Los resultados obtenidos en las aplicación empírica de las dos técnicas, permiten
concluir que los ratios más significativos en cuanto a predicción de quiebra o fracaso
empresarial son el ratio Coeficiente de Liquidez Circulante X1, el ratio Razón de
Apalancamiento X2 y el ratio Margen de Utilidad Neta X8, que a su vez están asociados a
factores de Liquidez, Endeudamiento y Rentabilidad y receptivamente.
Los trabajos empíricos analizados dejan claro que no existe una teoría económica
propiamente dicha sobre la solvencia empresarial y, en consecuencia, no se cuenta con una
metodología única ya que los modelos existentes son muchos y muy variados en cuanto a su
desarrollo metodológico y en cuanto a la técnica aplicada, es por ello que el problema
puede ser abordado siguiendo distintas aproximaciones.
Desde la década de 1960, se han desarrollado diferentes estudios para predecir crisis
empresariales, aplicando diversos modelos sobre la información que proporcionan los ratios
financieros, correspondiendo la mayoría a la aplicación de modelos de corte transversal, por
lo que la construcción de modelos para datos de panel resulta pertinente en tanto
incorporan la dimensión temporal en el estudio.
Los modelos que son utilizados con mayor frecuencia para predecir crisis financieras
son el discriminante lineal y el modelo logístico. El segundo permite levantar la normalidad,
un supuesto clave que se mantiene es la independencia entre las observaciones, lo que
afecta la variabilidad de las estimaciones. No obstante, es evidente que el poder predictivo
de un modelo está determinado por las características de la muestra empleada para su
elaboración.
156
El contar con una estructura de datos longitudinales (datos panel), es decir varias
mediciones de las mismas unidades para un mismo individuo (empresa) permiten captar su
heterogeneidad no observable induciendo correlación entre las respuestas, resultando
necesario trabajar con modelos que incorporen esa estructura de correlación, así mismo
permite realizar un análisis más dinámico al incorporar la dimensión temporal de los datos,
lo que enriquece el estudio, particularmente en períodos de grandes cambios.
En nuestro caso, dadas las dificultades señaladas y al tipo de muestra que disponíamos
en la que intervenían empresas de diversos países y por lo tanto los criterios de clasificación
jurídica varían dentro de cada país, nos decantarnos por la aplicación del enfoque
económico, estableciendo como definición del mismo para clasificar a las empresas
157
fracasadas la puntuación obtenida mediante la aplicación del modelo conocido como Z-
score de Altman.
Con relación a las variables del modelo, y pese a las limitaciones que diversos autores
han señalado a la utilización de la información financiera, entendemos que ésta continúa
constituyendo la fuente más accesible y objetiva para alimentar un modelo predictivo. La
utilización de estados financieros anuales auditados y publicados en el software financiero
Bloomberg, ofrecerá la fiabilidad necesaria para sustentar la validez del modelo.
Este trabajo presenta algunas limitaciones. Si bien se trabajó con todas las empresas
para las cuales se disponía de estados financieros para el periodo 2010 – 2014
incrementando así el tamaño de la muestra, debido a las propias limitaciones de la
información, existían partidas contables para las cuales no se disponía de dato y por lo tanto
no fue posible estimar el ratio para ese periodo en particular, sin embargo esta limitación en
la estimación del modelo es atenuada a través de la consideración de varios periodos para
cada empresa.
A pesar de las limitantes expuestas, consideramos que todos los modelos financieros
para la predicción de quiebra empresarial deben tomarse únicamente como un parámetro
de referencia, es decir sólo como un indicador y como una herramienta más de apoyo para
el diagnóstico empresarial, debiéndose complementar con lo diferentes tipos de análisis
financieros correspondientes así como con la experiencia observada a través de los años y el
entorno socioeconómico en el que se desempeña la empresa en estudio.
Uno de estos retos es conseguir modelos globales que permitan identificar con
claridad que factores internos (intrínsecos a la operación propia de la empresa) y externos
(tanto económicos como de índole cultural, político y social) juegan un papel importante
en el desarrollo de una teoría consolidada sobre la solvencia empresarial, teniendo como
objetivo ser capaces de establecer adecuados mecanismos de administración de riegos que
158
les permitan, no solamente detectar cueles son, sino saber cuáles serían las posibles
consecuencias en sus finanzas ante posibles cambios a en cualquiera de los factores, es
decir realizar análisis de sensibilidad de las variables involucrada previendo así la posibilidad
de entrar en procesos concursales que terminen con la posible quiebra de la empresa.
Según Bosón Ponte y Sierra Molina (1996) en el ámbito específico del Análisis
Contable, la Inteligencia artificial constituye una de la líneas de actuación futura más
prometedoras, con posibilidades de aplicación tanto en el ámbito de la investigación como
en el diseño de sistemas de información “inteligentes”, que no solamente proporcionen
datos al decisor sino que recomienden el mejor curso de actuación a seguir.
159
BIBLIOGRAFÍA
Acharya, V. V., Baharat, S. T., & Srinivasan, A. (2007): Does industry-wide distress affect
defaulted firms? Evidence from creditor recoveries. Journal of Financial Economics,
85(3), 787-821.
Agarwal, V., & Taffler, R. (2008). Comparing the performance of market-based and
accounting-based bankruptcy prediction models. Journal of Banking & Finance,
32(8), 1541-1551.
Altman, E. I. (1968): Financial Ratios, Discriminant Analysis and the Pre-diction of Corporate
Bankruptcy. The Journal of Finance, XXIII, September 1968
Altman, E. I., Iwanicz-Drozdowska, M., Laitinen, E.K. and Suvas, A. (2014): “Distressed Firm and
Bankruptcy Prediction in an International Context: A Review and Empirical Analysis of
Altman's Z-Score Model” (August 10, 2014). Disponible en SSRN:
http://ssrn.com/abstract=2536340 o http://dx.doi.org/10.2139/ssrn.2536340.
Altman, E. I., & Saunders, A. (1998). Credit risk measurement: Developments over the last 20
years. Journal of Banking and Finance, 21.
Altman, E. I., Marco, G., & Varetto, F. (1994). Corporate distress diagnosis: Comparisons
using linear discriminant analysis and neural networks (the Italian experience).
Journal of banking & finance, 18(3), 505-529.
Armour, J., & Cumming, D. (2008). Bankruptcy law and entrepreneurship. American Law and
Economics Review, 10(2), 303-350.
Aziz, M. A., & Dar, H. A. (2006). Predicting corporate bankruptcy: where we stand?
Corporate governance, 6(1), 18-33.
160
Back, P. (2005). Explaining financial difficulties based on previous payment behavior,
management background variables and financial ratios. European Accounting
Review, 14(4), 839-868.
Balcaen, S., & Ooghe, H. (2006). 35 years of studies on business failure: an overview of the
classic statistical methodologies and their related problems. The British Accounting
Review, 38(1), 63-93.
Barniv, R., Agarwal, A., & Leach, R. (1997). Predicting the outcome following bankruptcy
filing: a three‐state classification using neural networks. Intelligent Systems in
Accounting, Finance and Management, 6(3), 177-194.
Bauer, J., & Agarwal, V. (2014). Are hazard models superior to traditional bankruptcy
prediction approaches? A comprehensive test. Journal of Banking & Finance, 40,
432-442.
Beck, T., Demirgüç-Kunt, A., & Levine, R. (2003). Law and finance: why does legal origin
matter?. Journal of comparative economics, 31(4), 653-675.
Bellovary, J. L., Giacomino, D. E., & Akers, M. D. (2007). A review of bankruptcy prediction
studies: 1930 to present. Journal of Financial Education, 1-42.
Beraho, E. K., & Elisu, R. (2010). Influence of country culture on bankruptcy and insolvency
legal reform management. International Journal of Management & Information
Systems, 14(2).
161
Bernstein, L. A. (1989). Financial statement analysis theory, application and interpretation.
Bhattacharjee, A., Higson, C., Holly, S., & Kattuman, P. (2009). Macroeconomic instability
and business exit: Determinants of failures and acquisitions of UK firms. Economica,
76(301), 108-131.
Bonsón Ponte, E., & Sierra Molina, G. (1996). Intelligent Accounting: impact of Artificial
Intelligence on accounting research and accounting information. Proceedings of the
ITHURS, León, 361-368.
Brealey, R. and Myers, B. (1999): Principles of corporate finance. USA, Edit. McGraw-Hill.
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. Classification and Regression Trees.
Proceedings of the Thirteenth International Conference, Bari, Italy. 1996.
Buehler, S., Kaiser, C., & Jaeger, F. (2012). The geographic determinants of bankruptcy:
evidence from Switzerland. Small Business Economics, 39(1), 231-251.
Campa, D., & Camacho-Miñano, M. M. (2014). Earnings Management among Bankrupt Non-
Listed Firms: Evidence from Spain. Revista Española de Financiación y Contabilidad /
Spanish Journal of Finance and Accounting, 43(1), 3-20.
Carling, K., Jacobson, T., Lindé, J., & Roszbach, K. (2007). Corporate credit risk modeling and
the macro economy. Journal of Banking & Finance, 31(3), 845-868.
Cestnik, B., Kononenko, I., & Bratko, I. (1987, May). ASSISTANT 86: A Knowledge-Elicitation
Tool for Sophisticated Users. In EWSL (pp. 31-45).
Chava, S., & Jarrow, R. A. (2004). Bankruptcy prediction with industry effects. Review of
Finance, 8(4), 537-569.
Chava, S., & Purnanandam, A. (2010). Is default risk negatively related to stock returns?
Review of Financial Studies, 23(6), 2523-2559.
162
Cheng, J. H., Yeh, C. H., & Chiu, Y. W. (2007). Improving business failure predication using
rough sets with non-financial variables. In Adaptive and Natural Computing
Algorithms (pp. 614-621). Springer Berlin Heidelberg.
Chiu, W. C., Peña, J. I., & Wang, C. W. (2013). Do structural constraints of the industry
matter for corporate failure prediction? Investment Analysts Journal, (78), 65-81.
Christidis, A. C. Y., & Gregory, A. (2010). Some new models for financial distress prediction in
the UK (Working Paper).
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1687166 (acceso el 30 de
agosto de 2015)
Cinca, C. S., & del Brío, B. M. (1993). Predicción de la quiebra bancaria mediante el empleo
de redes neuronales artificiales. Revista Española de financiación y contabilidad, 153-
176.
Collins, D.W.; MA YDEW, E.L.; WEISS, I.S. (1997): Changes in the vatue-relevance o/ earnings
and book valuesover t/zepastforty years. Journal of Accounting and Economics, vol.
24, pp. 39 - 67.
Contreras, J., Segovia, M., & del Mar Camacho, M. (2014). Origen del endeudamiento en
empresas mexicanas y su entrada en concurso mercantil-Propuesta de detección
anticipada de la insolvencia. Crecimiento Empresarial, RECOFAN, 23.
http://www.ecorfan.org/series/riesgos/Serie_Topicos%20selectos%20de%20Riesgos
_3.pdf (Acceso el 30 de mayo de 2015)
Das, S. R., Hanouna, P., & Sarin, A. (2009). Accounting-based versus market-based cross-
sectional models of CDS spreads. Journal of Banking & Finance, 33(4), 719-730.
Davydenko, S. A., & Franks, J. R. (2008). Do bankruptcy codes matter? A study of defaults in
France, Germany, and the UK. The Journal of Finance, 63(2), 565-608.
163
De Andrés, J., Landajo, M., & Lorca, P. (2012). Bankruptcy prediction models based on
multinorm analysis: An alternative to accounting ratios. Knowledge-Based Systems,
30, 67-77.
Díaz Martínez, Z., Fernández Menéndez, J., & Segovia Vargas, M. J. (2004) Sistemas de
inducción de reglas y árboles de decisión aplicados a la predicción de insolvencias en
empresas aseguradoras. Universidad Complutense de Madrid. XII Jornadas de
ASEPUMA.
Diggle, P., Heagerty, P., Liang, K. Y., & Zeger, S. (2002). Analysis of longitudinal data. Oxford
University Press. UK.
Fisher, R. A. (1935). The logic of inductive inference. Journal of the Royal Statistical Society,
39-82.
Fitzmaurice, G. M., & Laird, N. M. (1995). Regression models for a bivariate discrete and
continuous outcome with clustering. Journal of the American statistical Association,
90(431), 845-852
Fraire, L. A., Vázquez, R. D., & Valdés, A. L. Influencia macroeconómica y contable en los
rendimientos accionarios en México. ESCUELA SUPERIOR DE ECONOMÍA, 97.
164
Francis, J. and Shipper, K. 1999. "Have Financial Statements Lost Their Relevance?". Journal
of Accounting Research. 37 (2): 319-352.
García, E., & Sánchez, J. P. (2006). Un estudio meta-analítico de los factores determinantes
de la revelación de información. Spanish Journal of Finance and Accounting/Revista
Española de Financiación y Contabilidad, 35(132), 761-788.
Ganga, H., Acosta González, E., Fernández Rodriguez F. Influencia de las variables
macroeconómicas sobre la supervivencia de las empresas constructoras e
inmobiliarias españolas. Facultad de Economía, Empresa y Turismo, Universidad Las
Palmas de Gran Canaria.
Gervilla García, E., & Palmer Pol, A. (2009). Predicción del consumo de cocaína en
adolescentes mediante árboles de decisión. Revista de Investigación en Educación, 6,
7-13.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2006). Multivariate data
analysis (Vol. 6). Upper Saddle River, NJ: Pearson Prentice Hall.
Halim, A., Ahmad, H., Daud, S. N. M., & Marzuki, A. (2008). Macroeconomic determinants of
corporate failures in Malaysia. International Journal of Business and Management,
3(3), P3.
Hernández Tinoco, M., & Wilson, N. (2013). Financial distress and bankruptcy prediction
among listed companies using accounting, market and macroeconomic variables.
International Review of Financial Analysis, 30, 394-419.
165
Hillegeist, S. A., Keating, E. K., Cram, D. P., & Lundstedt, K. G. (2004). Assessing the
probability of bankruptcy. Review of Accounting Studies, 9(1), 5-34.
Hol, S. (2007). The influence of the business cycle on bankruptcy probability. International
transactions in operational research, 14(1), 75-90.
Ibarra Mares, A., & Montllor i Serrats, J. (2002). Análisis de las dificultades financieras de las
empresas en una economía emergente. Universitat Autònoma de Barcelona,.
Kallunki, J. P., & Pyykkö, E. (2013). Do defaulting CEOs and directors increase the likelihood
of financial distress of the firm? Review of Accounting Studies, 18(1), 228-260.
Korol, T. (2013). Early warning models against bankruptcy risk for Central European and
Latin American enterprises. Economic Modelling, 31, 22-30.
Laitinen, E. K., & Laitinen, T. (2009). Audit report in payment default prediction: A
contingency approach. International Journal of Auditing, 13(3), 259-280.
Laitinen, E. K., & Suvas, A. (2013). International Applicability of Corporate Failure Risk
Models Based on Financial Statement Information: Comparisons across European
Countries. Journal of Finance & Economics, 1(3), 1-26.
166
Lee, S. H., Yamakawa, Y., Peng, M. W., & Barney, J. B. (2011). How do bankruptcy laws affect
entrepreneurship development around the world? Journal of Business Venturing,
26(5), 505-520.
Lee, S. H., Peng, M. W., & Barney, J. B. (2007). Bankruptcy law and entrepreneurship
development: A real options perspective. Academy of Management Review, 32(1),
257-272.
Levine, R. (1998). The Legal Environment, Banks, and Long-Run Economic Growth. Journal of
Money, Credit & Banking (Ohio State University Press), 30(3).
Liang, K. Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models.
Biometrika, 13-22.
Liang, T. P., Chandler, J., Han, I., & Roan, J. (1992). An Empirical Investigation of Some Data
Effects on.
Liu, J. (2004). Macroeconomic determinants of corporate failures: evidence from the UK.
Applied Economics, 36(9), 939-945.
Lussier, R. N. (1995). A nonfinancial business success versus failure prediction model for
young firms. Journal of Small Business Management, 33(1), 8-20.
Marais, M. L., Patell, J. M., & Wolfson, M. A. (1984). The experimental design of
classification models: An application of recursive partitioning and bootstrapping to
commercial bank loan classifications. Journal of accounting Research, 87-114.
167
Martín Marín, J.L. (1984): "El diagnóstico de las dificultades empresariales mediante
modelos de mercado de capitales", Boletín de Estudios Económicos, nº 123,
diciembre,pp.621-635.
Meeks, G., & Meeks, J. G. (2009). Self‐Fulfilling Prophecies of Failure: The Endogenous
Balance Sheets of Distressed Companies. Abacus, 45(1), 22-43.
Melitz, M. J., & Ottaviano, G. I. (2008). Market size, trade, and productivity. The Review of
Economic Studies, 75(1), 295-316.
Mena, J. (1996). Machine-learning the business: Using data mining for competitive
intelligence. Competitive Intelligence Review Nº 4, Vol 7.
Mora Enguídanos, A. (1994). Los modelos de predicción del fracaso empresarial: una
aplicación empírica del Logit. Revista Española de Financiación y Contabilidad, 203-
233.
Nam, C. W., Kim, T. S., Park, N. J., & Lee, H. K. (2008). Bankruptcy prediction using a discrete-
time duration model incorporating temporal and macroeconomic dependencies.
Journal of Forecasting, 27, 493–506.
O'Leary, D.E. (1995): "Artificial intelligence in business", AI/ES Section of the American
Accounting Association, (Internet, http://www.rutgers.edu/ accounting /raw
/aaa/aiet).
Olmeda, I., & Fernández, E. (1997). Hybrid classifiers for financial multicriteria decision
making: The case of bankruptcy prediction. Computational Economics, 10(4), 317-
335.
168
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal
of accounting research, 109-131.
Paterson, A., & Niblett, T. B. (1982). ACLS manual. Edinburgh: Intelligent Terminals Ltd.
Pearson, K. (1901). Principal components analysis. The London, Edinburgh, and Dublin
Philosophical Magazine and Journal of Science, 6(2), 559
Peng, M. W., Yamakawa, Y., & Lee, S. H. (2010). Bankruptcy Laws and Entrepreneur‐
Friendliness. Entrepreneurship Theory and Practice, 34(3), 517-530.
Pindado, J., Rodriguez, L., & de la Torre, C. (2008). How do insolvency codes affect a firm’s
investment? International Review of Law and Economics, 28(4), 227-238.
Polvo Vuelvas, MA. (2007). Análisis de Modelos de Datos Longitudinales”. Tesis Maestría.
Universidad Autónoma Metropolitana.
Press, S. J., & Wilson, S. (1978). Choosing between logistic regression and discriminant
analysis. Journal of the American Statistical Association, 73(364), 699-705.
Quinlan, J.R. (1985) Induction of Decision Trees. Revista Machine Learning Volº 1-1.
Quinlan, J.R. (1993) C4.5: Programs for machine learning. Morgan Kaufmann Publishers, Inc.
California.
Ravi Kumar, P., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and
intelligent techniques - A review. European Journal of Operational Research, 180(1),
1-28.
Ravid, S. A., & Sundgren, S. (1998). The comparative efficiency of small-firm bankruptcies: A
study of the US and Finnish bankruptcy codes. Financial Management, 27(4), pp. 28-
40.
169
Reza, F. M. (1961) An introduction to information theory. Courier Corporation.
Rosé, P. S., Andrews, W. T., & Giroux, G. A. (1982). Predicting business failure: A
macroeconomic perspective. Journal of Accounting, Auditing and Finance, 6(1), 20-
31.
Salman, A. K., Friedrichs, Y. V., & Shukur, G. (2011). The Determinants of Failure of Small
Manufacturing Firms: Assessing the Macroeconomic Factors. International Business
Research, 4(3), 22-32.
Segovia Vargas, M.J. (2003) Predicción de Crisis Empresarial en Seguros No Vida mediante la
Metodología Rough Set (Tesis Doctoral). Universidad Complutense de Madrid.
Madrid. España.
Simon, H. A. (1960): The new science of management decision, Harper&Row, New York
(USA).
170
Weijs, R. J. (2012). Harmonisation of European Insolvency Law and the Need to Tackle Two
Common Problems: Common Pool and Anticommons. International Insolvency
Review, 21(2), 67-83.
Witten, I. H., & Frank, E. (2005). Data Mining: Practical machine learning tools and
techniques. Morgan Kaufmann.
Winakor, C.H. & Smith, R.F. (1935). Changes in Financial Structures of Unsuccessful
Industrial Companies. Bulletin n◦ 51. Bureau of Economic Research. University of
Illinois Press.
Yeh, C. C., Lin, F., & Hsu, C. Y. (2012). A hybrid KMV model, random forests and rough set
theory approach for credit rating. Knowledge-Based Systems, 33, 166-172.
171
ÍNDICE DE FIGURAS
Figura 1. Ejemplo de resultados de un árbol de decisión ..................................................... 74
Figura 2. Matriz de Correlaciones (Representación Numérica) .......................................... 119
Figura 3. Matriz de Correlaciones (Representación Gráfica) .............................................. 119
Figura 4. Matriz de Variabilidades Máximas Año 2010 ...................................................... 121
Figura 5. Matriz de Variabilidades Máximas Año 2011 ...................................................... 123
Figura 6. Matriz de Variabilidades Máximas Año 2012 ...................................................... 125
Figura 7. Matriz de Variabilidades Máximas Año 2013 ...................................................... 127
Figura 8. Matriz de Variabilidades Máximas Año 2014 ...................................................... 129
Figura 9. Saturación de los Componentes por la Variables Explicativas por Año de
Observación ...................................................................................................................... 130
Figura 10. Matriz de Correlación Variables (X2 / X5 / X8) ................................................... 132
Figura 11. Resultados Iteración 1 Modelo EEG.................................................................. 133
Figura 12. Matriz de Correlación Variables (X2 / X2/ X5 / X8 / Desempleo / Inflación) ....... 133
Figura 13. Resultados Iteración 2 Modelo EEG.................................................................. 134
Figura 14. Matriz de Correlación Variables (X2 / X2/ X5 / X8) ............................................ 134
Figura 15. Resultados Iteración 3 Modelo EEG.................................................................. 135
Figura 16. Árbol de decisión Año 2010 .............................................................................. 144
Figura 17. Principales Reglas de Decisión Año 2010 ........................................................... 146
Figura 18. Árbol de decisión Año 2014 .............................................................................. 148
Figura 19. Principales Reglas de Decisión Año 2014 ........................................................... 151
172
ÍNDICE DE TABLAS
Tabla 1. Empresas en Crisis Financiera por Pago de Productos Financieros Derivados ......... 10
Tabla 2. Evolución Histórica de los Modelos de Predicción de Quiebra ................................ 29
Tabla 3. Relación de Empresas Consideras en el Estudio ..................................................... 79
Tabla 4. Definiciones de Quiebra / Fracaso Empresarial ...................................................... 84
Tabla 5. Clasificación de empresas (Según Puntuación Z-SCORE ALTMAN) ......................... 85
Tabla 6. Variables Microeconómicas Seleccionadas (Ratios Financieros) ............................. 88
Tabla 7. Variables Macroeconómicas Seleccionadas ............................................................ 89
Tabla 8. Resumen de Estadísticas de la Variable X1 ............................................................ 94
Tabla 9. Resumen de Estadísticas de la Variable X2 ........................................................... 95
Tabla 10. Resumen de Estadísticas de la Variable X3 .......................................................... 96
Tabla 11. Resumen de Estadísticas de la Variable X4 .......................................................... 97
Tabla 12. Resumen de Estadísticas de la Variable X5 .......................................................... 98
Tabla 13. Resumen de Estadísticas de la Variable X6 ......................................................... 99
Tabla 14. Resumen de Estadísticas de la Variable X7 ....................................................... 100
Tabla 15. Resumen de Estadísticas de la Variable X8 ........................................................ 101
Tabla 16. Resumen de Estadísticas de la Variable X9 ........................................................ 103
Tabla 17. Código de la Variable País .................................................................................. 106
Tabla 18. Resumen de Estadísticas de la Variable GII ........................................................ 108
Tabla 19. Resumen de Estadísticas de la Variable TEA ...................................................... 109
Tabla 20. Resumen de Estadísticas de la Variable PIB ....................................................... 111
Tabla 21. Resumen de Estadísticas de la Variable Desempleo .......................................... 113
Tabla 22. Resumen de Estadísticas de la Variable Corrupción .......................................... 114
Tabla 23. Resumen de Estadísticas de la Variable Corrupción ........................................... 115
Tabla 24. Resumen de Estadísticas de la Variable Inflación ............................................... 118
Tabla 25. Valores Propios de la Matriz de Covarianza Año 2010 ........................................ 120
Tabla 26. Valores Propios de la Matriz de Covarianza Año 2011 ........................................ 122
Tabla 27. Valores Propios de la Matriz de Covarianza Año 2012 ........................................ 124
Tabla 28. Valores Propios de la Matriz de Covarianza Año 2013 ........................................ 126
Tabla 29. Valores Propios de la Matriz de Covarianza Año 2014 ....................................... 128
Tabla 30. Frecuencia de Aparición de las Variables Explicativas en la Saturación de los
Componentes .................................................................................................................... 131
Tabla 31. Variables Significativas Iteración 1 ..................................................................... 135
Tabla 32. Significancia Estadística Iteración 1 .................................................................... 136
Tabla 33. Variables Significativas Iteración 2 ..................................................................... 136
Tabla 34. Significancia Estadística Iteración 2 .................................................................... 137
Tabla 35. Variables Significativas Iteración 3 ..................................................................... 138
Tabla 36. Significancia Estadística Iteración 3 .................................................................... 139
Tabla 37. Distribución de la Muestra en Función de las Variable Respuesta ...................... 141
Tabla 38. Coincidencia de Variables Micro y Macroeconómicas Resultantes ..................... 153
173
ÍNDICE DE GRAFICOS
Gráfico 1. Evolución del número de empresas en concurso mercantil en México ................ 10
Gráfico 2. Índice Euler - Hermes en España, México y Zona Euro ......................................... 11
Gráfico 3. Tasa de Variación Interanual del PIB en España, México y Zona Euro .................. 12
Gráfico 4. Tasa de Variación Interanual de Desempleo en España, México y Zona Euro ...... 12
Gráfico 5. Tasa de Variación Interanual de la Deuda Pública en España, México y Zona Euro
........................................................................................................................................... 13
Gráfico 6. Evolución del número de Empresas Concursada del Sector Construcción en España
(2005-2014) ........................................................................................................................ 50
Gráfico 7. Histograma de Frecuencias de las Variable X1 ..................................................... 93
Gráfico 8. Histograma de Frecuencias de las Variable X2 ..................................................... 95
Gráfico 9. Histograma de Frecuencias de las Variable X3 ..................................................... 96
Gráfico 10. Histograma de Frecuencias de las Variable X4 ................................................... 97
Gráfico 11. Histograma de Frecuencias de las Variable X5 ................................................... 98
Gráfico 12. Histograma de Frecuencias de las Variable X6 ................................................... 99
Gráfico 13. Histograma de Frecuencias de las Variable X7 ................................................. 100
Gráfico 14. Histograma de Frecuencias de las Variable X8 ................................................. 101
Gráfico 15. Histograma de Frecuencias de las Variable X9 ................................................. 102
Gráfico 16. Distribución de la Variable Sector ................................................................... 106
Gráfico 17. Distribución de la Variable País....................................................................... 107
Gráfico 18. Histograma de Frecuencias de las Variable GII ................................................ 108
Gráfico 19. Histograma de Frecuencias de las Variable TEA ............................................... 109
Gráfico 20. Histograma de Frecuencias de las Variable PIB ................................................ 111
Gráfico 21. Histograma de Frecuencias de las Variable Desempleo ................................... 112
Gráfico 22. Histograma de Frecuencias de las Variable Corrupción ................................... 113
Gráfico 23. Histograma de Frecuencias de las Variable Enforcement ................................. 114
Gráfico 24. Histograma de Frecuencias de las Variable Inflación ....................................... 117
Gráfico 25. Sedimentación Año 2010 ................................................................................ 121
Gráfico 26. Sedimentación Año 2011 ................................................................................ 123
Gráfico 27. Sedimentación Año 2012 ................................................................................ 125
Gráfico 28. Sedimentación Año 2013 ................................................................................ 127
Gráfico 29. Sedimentación Año 2014 ................................................................................ 129
174